Mover média estocástica volatilidade modelos com aplicação para inflação

Modelos de volatilidade estocástica média móvel com aplicação à previsão de inflação Resumo: A média móvel e a volatilidade estocástica são dois componentes importantes para modelagem e previsão de séries temporais macroeconômicas e financeiras. O primeiro visa capturar a dinâmica de curto prazo, enquanto que o último permite a acumulação de volatilidade e a volatilidade variável no tempo. Apresentamos uma nova classe de modelos que inclui ambos os recursos úteis. Os novos modelos permitem que o processo médio condicional tenha uma forma de espaço de estado. Como tal, este quadro geral inclui uma grande variedade de especificações populares, incluindo os componentes não observados e os modelos de parâmetros que variam no tempo. Ter um processo de média móvel, no entanto, significa que os erros na equação de medição não são mais independentes em série e a estimativa torna-se mais difícil. Desenvolvemos um simulador posterior que se baseia nos avanços recentes em algoritmos baseados em precisão para estimar essa nova classe de modelos. Em uma aplicação empírica que envolve a inflação nos EUA, descobrimos que esses modelos de volatilidade estocástica média móvel proporcionam melhor desempenho de previsão de exercícios físicos e fora da amostra do que as variantes padrão com apenas volatilidade estocástica. Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Este site faz parte do RePEc e todos os dados exibidos aqui fazem parte do conjunto de dados RePEc. O seu trabalho está faltando no RePEc. Aqui está como contribuir. Perguntas ou problemas Verifique as perguntas frequentes do EconPapers ou envie um e-mail para. Página atualizada 2017-01-29Movendo modelos de volatilidade estocástica média com aplicação para previsão de inflação Resumo: Apresentamos uma nova classe de modelos que tem volatilidade estocástica e erros de média móvel, onde a média condicional tem uma representação espacial estadual. Ter um componente médio móvel, no entanto, significa que os erros na equação de medição não são mais independentes em série e a estimativa torna-se mais difícil. Desenvolvemos um simulador posterior que se baseia nos avanços recentes em algoritmos de precisão para estimar esses novos modelos. Em uma aplicação empírica que envolve a inflação nos EUA, descobrimos que esses modelos de volatilidade estocástica média móvel proporcionam melhor desempenho de avaliação de aptidão e fora da amostra do que as variantes padrão com apenas volatilidade estocástica. Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Este site faz parte do RePEc e todos os dados exibidos aqui fazem parte do conjunto de dados RePEc. O seu trabalho está faltando no RePEc. Aqui está como contribuir. Perguntas ou problemas Verifique as perguntas frequentes do EconPapers ou envie um e-mail para. Página atualizada em 2017-01-29 por Gary Koop, Dimitris Korobilis. 2009. Os profissionais macroeconômicos freqüentemente trabalham com modelos de séries temporais multivariados, como VARs, VARs com aumento de fator, bem como versões de parâmetros que variam no tempo desses modelos (incluindo variantes com volatilidade estocástica multivariada). Esses modelos possuem uma grande quantidade de parâmetros e, portanto, acabam. Os profissionais macroeconômicos freqüentemente trabalham com modelos de séries temporais multivariados, como VARs, VARs com aumento de fator, bem como versões de parâmetros que variam no tempo desses modelos (incluindo variantes com volatilidade estocástica multivariada). Esses modelos possuem uma grande quantidade de parâmetros e, portanto, problemas de parametrização podem surgir. Os métodos bayesianos tornaram-se cada vez mais populares como forma de superar esses problemas. Nesta monografia, discutimos VARs, VARs com aumento de fator e extensões de parâmetros variáveis ​​no tempo e mostra como a inferência Bayesiana prossegue. Além da mais simples das VARs, a inferência bayesiana requer o uso de métodos de Monte Carlo de cadeia de Markov desenvolvidos para modelos de espaço estadual e descrevemos esses algoritmos. O foco está no macroeconomista empírico e oferecemos conselhos sobre como usar esses modelos e métodos na prática e incluem ilustrações empíricas. Um site fornece o código Matlab para a realização da inferência bayesiana nesses modelos. Por Michael Johannes, Nicholas Polson, Jonathan Stroud. 2007. Este artigo fornece uma metodologia para calcular distribuições de filtragem ótimas em modelos discretamente observados de difusão de salto em tempo contínuo. Embora tenha recebido pouca atenção, a distribuição de filtragem é útil para estimar estados latentes, previsão de volatilidade e retornos, computação mo. Este artigo fornece uma metodologia para calcular distribuições de filtragem ótimas em modelos discretamente observados de difusão de salto em tempo contínuo. Embora tenha recebido pouca atenção, a distribuição de filtragem é útil para estimar estados latentes, prever volatilidade e retornos, diagnósticos de modelos de computação, como razões de verossimilhança e estimativa de parâmetros. Nossa abordagem combina esquemas de discretização do tempo com métodos de Monte Carlo para calcular a distribuição de filtragem ideal. Nossa abordagem é muito geral, aplicando-se em modelos multivariados de difusão de salto com características não-lineares e até equações de observação não analíticas, como as que surgem quando os preços das opções estão disponíveis. Nós fornecemos uma análise detalhada do desempenho do filtro e analisamos quatro aplicações: saltos de desânimo da volatilidade estocástica, previsão de volatilidade realizada, comparação de modelo baseada em verossimilhança e filtragem usando os preços das opções e os retornos subjacentes. Por Manabu Asai, Michael McAleer - Avaliações econométricas, em breve. 2005