Inferência Bayesiana para modelos de volatilidade estocástica baseados em mistura de escala da distribuição normal assimétrica

• Ano de defesa: 2023
• Autor(a) principal: Condori, Ritha Rubi Huaysara
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algo- rithm No-U-Turn Sampler; Algoritmo No-U-Turn Sampler; Efeito de Alavancagem.; Leave-Future-Out Cross-Validation; Leverage Effect.; Mistura de escala da distribuição normal assimétrica; Modelos de volatilidade estocástica; Scale mixtures of the skew-normal distribution; Stochastic volatility models
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-15062023-145057/

Esta dissertação tem como objetivo avaliar e comparar o desempenho do algoritmo No-U-Turn Sampler (NUTS), implementado no software Stan, na estimação dos parâmetros de modelos de volatilidade estocástica com alavancagem baseados em mistura de escala da distribuição normal assimétrica. Esses modelos SV conseguem capturar simultaneamente características importantes das séries de retornos financeiros, como efeito de alavancagem, caudas pesadas e assimetria. Os resultados dos estudos de simulação mostram que, de acordo com as medidas de viés e raiz quadrada do erro quadrático médio (RMSE), o algoritmo NUTS apresenta um bom desempenho. Ao comparar a abordagem de amostragem do NUTS com a do pacote stochvol, observamos que o stochvol apresenta tempos de execução menores, mas o NUTS supera essa abordagem em termos de tamanho efetivo da amostra. Além disso, propomos o uso da técnica de Validação Cruzada Leave-Future-Out (LFO-CV) para seleção de modelos de volatilidade estocástica e avaliamos o desempenho de critérios de informação e técnicas de validação cruzada para seleção de modelos. Finalmente, aplicamos a metodologia desenvolvida a séries de retornos reais.