Header

UZH-Logo

Maintenance Infos

Multivariate volatility modeling and forecasting with stable GARCH and Wishart autoregressive models


Bonato, Matteo. Multivariate volatility modeling and forecasting with stable GARCH and Wishart autoregressive models. 2009, University of Zurich, Faculty of Economics.

Abstract

Das starke Wachstum der Finanzmärkte in den letzten 30 Jahren hat zu einer rasanten Weiterentwicklung der wirtschaftswissenschaftlichen und statistischen Forschung geführt, die mit Hilfe von mathematischen Modellen zu einem besseren Verständnis der Ursachen für die Marktentwicklung beiträgt. Ein besonderes Ziel für Forscher und Praktiker ist das bessere Verständnis der Volatilität. Während sich die bisherige Literatur vor allem auf die Modellierung der Volatilität von univariaten Zeitreihen bezieht, wird erst seit kurzem der Fokus auf die Abgängigkeitsstrukturen zwischen Anlagen gelegt. Die Modellierung der gemeinsamen Dynamik verschiedener Anlagen und deren Korrelation ist entscheidend sowohl für die Portfolio Optimierung als auch für die Risikobewertung. Die vorliegende Arbeit befasst sich mit dieser Thematik, d.h. die Modellierung und die Vorhersage von Volatilitäten zwischen verschiedenen Anlagen. Die Doktorarbeit besteht aus zwei Teilen. Der erste Teil (Manuskript 1) befasst sich mit multivariaten allgemeinen konditionierten autoregressiven Modellen sowie den randbereichen von Verteilungen (sog. "fat tail distributions"). Der zweite Teil der Arbeit (Mauskript 2 und 3) analysiert multivariate Modelle in Bezug auf deren realisierten Volatilität mit besonderem Fokus auf ein kürzlich vorgeschlagenes Modell: dem „Wishart autoregressive“ Modell. Multivariate volatility modeling and forecasting with stable GARCH and Wishart autoregressive models Matteo Bonato

The enormous growth that financial markets have seen in the past 30 years has pushed academic research in the fields of economics, finance and statistics toward a better mathematical understanding and modelling of the dynamics by which markets are driven. One object in particular has captured the attention of scholars and financial practitioners: volatility. While most of the literature has focused in modelling univariate series of volatility, only recently efforts have been addressed toward the study of the dependence structure among assets. The ability of modeling jointly the dynamics of multiple assets and their correlation is crucial in portfolio optimization and risk evaluation. In my thesis I focused my attention on this issue, i.e. in modeling and forecasting (co)volatilities for multiple assets. This thesis is divided into two parts, consisting of one and two manuscript, respectively. Part I deals with multivariate generalized conditional autoregressive models. A new multivariate volatility model is proposed. It combines the appealing properties of the stable Paretian distribution to model the heavy tails with the GARCH model to capture the volatility clustering. In Part II the object of investigation are the multivariate models for realized volatility with particular emphasis on a recently proposed model: the Wishart Autoregressive Model. In Manuscript 2, a joint work with Angelo Ranaldo (Swiss National Bank) and Massimiliano Caporin (University of Padua), we focus on a new model for multivariate realized volatility. We propose a restricted parameterization of the Wishart Autoregressive model which is feasible even with a large cross-section of assets. In particular, we assume that the asset variances- covariances have no or limited spillover and that their dynamic is sector-specific. In Manuscript 3 an in-depth analysis of the estimation of the realized volatility Wishart Autoregressive model is presented. We focus in particular on the estimation of the degrees of freedom.

Abstract

Das starke Wachstum der Finanzmärkte in den letzten 30 Jahren hat zu einer rasanten Weiterentwicklung der wirtschaftswissenschaftlichen und statistischen Forschung geführt, die mit Hilfe von mathematischen Modellen zu einem besseren Verständnis der Ursachen für die Marktentwicklung beiträgt. Ein besonderes Ziel für Forscher und Praktiker ist das bessere Verständnis der Volatilität. Während sich die bisherige Literatur vor allem auf die Modellierung der Volatilität von univariaten Zeitreihen bezieht, wird erst seit kurzem der Fokus auf die Abgängigkeitsstrukturen zwischen Anlagen gelegt. Die Modellierung der gemeinsamen Dynamik verschiedener Anlagen und deren Korrelation ist entscheidend sowohl für die Portfolio Optimierung als auch für die Risikobewertung. Die vorliegende Arbeit befasst sich mit dieser Thematik, d.h. die Modellierung und die Vorhersage von Volatilitäten zwischen verschiedenen Anlagen. Die Doktorarbeit besteht aus zwei Teilen. Der erste Teil (Manuskript 1) befasst sich mit multivariaten allgemeinen konditionierten autoregressiven Modellen sowie den randbereichen von Verteilungen (sog. "fat tail distributions"). Der zweite Teil der Arbeit (Mauskript 2 und 3) analysiert multivariate Modelle in Bezug auf deren realisierten Volatilität mit besonderem Fokus auf ein kürzlich vorgeschlagenes Modell: dem „Wishart autoregressive“ Modell. Multivariate volatility modeling and forecasting with stable GARCH and Wishart autoregressive models Matteo Bonato

The enormous growth that financial markets have seen in the past 30 years has pushed academic research in the fields of economics, finance and statistics toward a better mathematical understanding and modelling of the dynamics by which markets are driven. One object in particular has captured the attention of scholars and financial practitioners: volatility. While most of the literature has focused in modelling univariate series of volatility, only recently efforts have been addressed toward the study of the dependence structure among assets. The ability of modeling jointly the dynamics of multiple assets and their correlation is crucial in portfolio optimization and risk evaluation. In my thesis I focused my attention on this issue, i.e. in modeling and forecasting (co)volatilities for multiple assets. This thesis is divided into two parts, consisting of one and two manuscript, respectively. Part I deals with multivariate generalized conditional autoregressive models. A new multivariate volatility model is proposed. It combines the appealing properties of the stable Paretian distribution to model the heavy tails with the GARCH model to capture the volatility clustering. In Part II the object of investigation are the multivariate models for realized volatility with particular emphasis on a recently proposed model: the Wishart Autoregressive Model. In Manuscript 2, a joint work with Angelo Ranaldo (Swiss National Bank) and Massimiliano Caporin (University of Padua), we focus on a new model for multivariate realized volatility. We propose a restricted parameterization of the Wishart Autoregressive model which is feasible even with a large cross-section of assets. In particular, we assume that the asset variances- covariances have no or limited spillover and that their dynamic is sector-specific. In Manuscript 3 an in-depth analysis of the estimation of the realized volatility Wishart Autoregressive model is presented. We focus in particular on the estimation of the degrees of freedom.

Statistics

Downloads

11 downloads since deposited on 22 May 2019
11 downloads since 12 months
Detailed statistics

Additional indexing

Item Type:Dissertation (monographical)
Referees:Paolella Marc S, Wolf Michael, Mancini Loriano
Communities & Collections:UZH Dissertations
Dewey Decimal Classification:Unspecified
Language:English
Place of Publication:Zürich
Date:2009
Deposited On:22 May 2019 14:54
Last Modified:25 Sep 2019 00:13
Number of Pages:141
OA Status:Green
Related URLs:https://www.recherche-portal.ch/primo-explore/fulldisplay?docid=ebi01_prod006202980&context=L&vid=ZAD&search_scope=default_scope&tab=default_tab&lang=de_DE (Library Catalogue)

Download

Green Open Access

Download PDF  'Multivariate volatility modeling and forecasting with stable GARCH and Wishart autoregressive models'.
Preview
Content: Published Version
Filetype: PDF
Size: 2MB