Markov Chain Monte Carlo VS Importance Sampling in Inferenta Bayesiana a modelului GARCH

Tetsuya Takaishi (2013)

Modelul GARCH
Unde restrictiile parametrilor > 0 > 0 volatilitate pozitiva > 0 Conditia de stationaritate =1 + =1 < 1 In studiile empirice se folosesc valori mici ale lag parametrilor p si q GARCH(1,1) cu voltilitatea

Ineferenta Bayesiana a modelului GARCH

Densitatea posterioara (|y) L(y|)() Unde functia de verosimilitate si ()densitatea a priori, o constanta ce depinde de . Utilizand (|y) ca o probabilitate a densitatii lui se deduc valorile lui ca valorile asteptate ale lui : Unde: constanta normalizarii

Markov Chain Monte Carlo

Evaluarea valorilor asteptate ca medie a datelor esantionate
1

Necorelate -> eroarea statistica ~

Corelate -> eroarea statistica ~

Unde

-> timpul de autocorelatie a datelor sample

Algoritmul Metropolis -Hastings

1. Alegem 0 si i=1 2. Generam o noua valoare dintr-o distributie de probabilitati numita densitatea propusa g(xi|xi-1) 3. Acceptam candidatul cu probabilitatea PMH(xi-1,xi) cand xi este respins pastram xi-1 4. Ne intoarcem la 2. si crestem i=i+1

Importance sampling
Se introduce o densitate importance sample h() Unde Aceasta ecuatie poate fi estimata prin integrarea Monte Carlo Unde factorul reweighting

Studiu de simulare
Fig. 1. Seria de timp generata de modelul Garch cu = 0.05, = 0.9 si = 0.1
MCMC valoare <i> Deviatia standard Eroarea statistica 2 Importance sampling <i> Deviatia standard Eroarea statistica 0.05 <i> 0.0095 0.000033 2.1 0.1 0.0510 0.0095 0.000025 0,9 0.018 0.000080 2.3 0.2 0.912 0.018 0.000040 0.1 0.0510 0.026 0.00013 2.3 0.2 0.082 0.026 0.000042

Aplicatie empirica
Fig. 3. Seria de timp a randamentul actiunilor Companiei Toshiba Co pe piata de capital din Tokyo.

Acceptarea algoritmului Metropolis Hastings pentru date generate artificial GARCH (1) si date de randamente zilnice (2) ca functie pentru fiecare 1000 de actualizarei

CONCLUZII
Din rezultatele obtinute din datele atificiale Garch , s-a descoperit importanta esantionarii surclaseaza Metoda MCMC implementata de algoritmul MH. Deasemenea a fost realizata si inferenta Bayesiana pentru datele randamentele zilnice ale actiunilor ale Companiei Toshiba Co si s-a descoperit ca metoda importance sampling este mai buna decat cea MCMC. Rezultatele indica faptul ca performanta celor doua metode depinde de datele luate in considerare. Atata timp cat exista un caz in care metoda Importance Sampling este mai performanta decat MCMC este clar ca aceasta poate fi folosita ca o metoda alternativa la metoda MCMC pentru Inferenta Baysiana a modelului Garch.

Va multumim!