[论文解读] A Multivariate Realized GARCH Model

Ilya Archakov, Peter Reinhard Hansen+1 more|arXiv (Cornell University)|Dec 4, 2020

Grey System Theory Applications被引用 10

一句话总结

本文提出了一种多变量已实现GARCH模型，采用相关性矩阵的矩阵对数参数化方法，确保正定性且无需约束。通过建模向量化后的已实现相关性矩阵对数，并采用因子结构，该方法实现了灵活、简约且高维的波动率建模，实证结果表明，与静态模型和等相关性模型相比，其在样本外表现显著提升，包括在投资组合方差方面实现了每年50个基点的降低。

ABSTRACT

We propose a novel class of multivariate GARCH models that incorporate realized measures of volatility and correlations. The key innovation is an unconstrained vector parametrization of the conditional correlation matrix, which enables the use of factor models for correlations. This approach elegantly addresses the main challenge faced by multivariate GARCH models in high-dimensional settings. As an illustration, we explore block correlation matrices that naturally simplify to linear factor models for the conditional correlations. The model is applied to the returns of nine assets, and its in-sample and out-of-sample performance compares favorably against several popular benchmarks.

研究动机与目标

• 为解决多变量GARCH模型中高维条件协方差矩阵建模的挑战，特别是确保正定性并管理 $p^2$-维参数空间。
• 开发一种灵活但简约的框架，利用高频数据中的波动率与相关性已实现测度，对动态相关性进行建模。
• 证明相关性矩阵的向量化矩阵对数近似服从正态分布，从而为模型中的高斯似然函数提供理论依据。
• 表明因子结构（尤其是块结构与等相关性）在所提出的参数化方法中自然出现，从而实现在高维情况下的可扩展建模。
• 基于九只资产的数据集，通过样本内与样本外分析评估模型性能，重点关注投资组合方差的降低。

提出的方法

• 核心方法采用一一对应的向量参数化 $\varrho_t = g(C_t) = \text{vec}(\log C_t)$，其中 $C_t$ 为相关性矩阵，确保任意 $\varrho_t \in \mathbb{R}^{p(p-1)/2}$ 均可唯一映射回一个正定的 $C_t$。
• 该模型将 $\varrho_t$ 视为动态潜变量过程，允许在对数相关性空间中采用GARCH型动态结构，从而内在地保持正定性。
• 通过 $\varrho_t = A\zeta_t$ 的形式在 $\varrho_t$ 上施加因子结构，其中 $A$ 为已知矩阵，实现降维与参数简约，尤其在块结构或等相关性假设下效果显著。
• 模型整合了来自高频数据的波动率与相关性已实现测度，以提高波动率与相关性预测的精度。
• 似然函数基于已实现相关性向量近似服从正态分布的假设构建，该假设得到数据的实证支持。
• 采用最大似然法进行模型估计，因子结构简化了计算过程，使模型在更高维度下仍具可扩展性。

实验结果

研究问题

• RQ1 在多变量GARCH模型中，相关性矩阵的矩阵对数参数化是否能无需额外约束即可保证正定性？
• RQ2 在具有块结构或等相关性结构的模型中，对数相关性向量的因子结构是否会自然出现？
• RQ3 已实现相关性矩阵的经验分布是否近似服从正态分布，从而为模型中的高斯似然函数提供合理性？
• RQ4 与更简单的模型（如恒定相关性或等相关性模型）相比，所提出的具有动态、块结构相关性的多变量已实现GARCH模型在样本内与样本外拟合效果如何？
• RQ5 该模型在多大程度上改善了投资组合风险预测，特别是相对于简单策略是否显著降低了投资组合方差？

主要发现

• 已实现相关性矩阵的向量化矩阵对数近似服从正态分布，支持在模型中使用高斯似然函数。
• 所提出的参数化方法通过构造保证了相关性矩阵的正定性，无需额外约束。
• 块相关性结构导致线性因子模型 $\varrho_t = A\zeta_t$，从而在高维系统中实现参数简约的建模。
• 动态块相关性模型在样本内与样本外拟合效果均优于恒定相关性与等相关性模型，后者表现出显著的波动率降低。
• 与简单的等权重投资组合相比，该模型将年化投资组合方差降低了约50个基点，表明其具有显著的风险降低潜力。
• 该模型具有良好的可扩展性，在九只资产的数据集（涵盖三个行业板块）上表现良好，实证结果充分支持动态且灵活的相关性建模。