[论文解读] Bayesian Inference on QGARCH Model Using the Adaptive Construction Scheme

Tetsuya Takaishi|RePEc: Research Papers in Economics|Jul 30, 2009

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文提出了一种基于马尔可夫链蒙特卡洛（MCMC）方法的自适应构造方案，用于在二次广义自回归条件异方差（QGARCH）模型中进行贝叶斯推断。通过利用采样数据自适应地更新梅特罗波利斯-哈斯廷斯算法中的提议密度，该方法显著降低了MCMC样本的自相关性，使α参数的自相关时间（τ）相比标准梅特罗波利斯算法降低了90倍，证明了在去相关参数采样方面具有极高的效率。

ABSTRACT

We study the performance of the adaptive construction scheme for a Bayesian inference on the Quadratic GARCH model which introduces the asymmetry in time series dynamics. In the adaptive construction scheme a proposal density in the Metropolis-Hastings algorithm is constructed adaptively by changing the parameters of the density to fit the posterior density. Using artificial QGARCH data we infer the QGARCH parameters by applying the adaptive construction scheme to the Bayesian inference of QGARCH model. We find that the adaptive construction scheme samples QGARCH parameters effectively, i.e. correlations between the sampled data are very small. We conclude that the adaptive construction scheme is an efficient method to the Bayesian estimation of the QGARCH model.

研究动机与目标

• 评估自适应构造方案在QGARCH模型贝叶斯估计中的性能，该模型能够捕捉金融波动率中的非对称性。
• 解决具有多个参数的GARCH类模型在MCMC采样中自相关性过高的挑战。
• 检验自适应构造方案是否在无需依赖最大似然法进行提议密度调优的情况下，对具有四个参数的更复杂QGARCH模型依然有效。
• 比较自适应方案与标准梅特罗波利斯算法在自相关时间与收敛性方面的效率。

提出的方法

• 自适应构造方案在MCMC模拟过程中，利用实时采样数据动态更新多元学生t分布提议密度的参数。
• 梅特罗波利斯-哈斯廷斯算法使用此自适应提议密度，生成以QGARCH参数后验分布为目标的马尔可夫链。
• 通过采样参数值的均值（M）和协方差矩阵（Σ）迭代更新提议密度，以更好地匹配后验分布。
• 贝叶斯推断采用非信息性（均匀）先验，后验期望通过MCMC样本的遍历平均进行估计。
• 通过计算自相关函数（ACF）和自相关时间（τ）来量化连续MCMC样本之间的相关性。
• 在模拟过程中监控梅特罗波利斯-哈斯廷斯步骤的接受率，以评估自适应方案的收敛性与稳定性。

实验结果

研究问题

• RQ1 与标准梅特罗波利斯算法相比，自适应构造方案是否显著降低了QGARCH模型MCMC样本的自相关性？
• RQ2 自适应构造方案是否能保持对具有四个参数且表现出非对称波动率动态的QGARCH模型的高采样效率？
• RQ3 在缺乏最大似然调优的情况下，自适应方案在接受率与收敛性方面与传统MCMC方法相比表现如何？
• RQ4 在模拟过程中，自适应参数更新在何时变得稳定？是否可以安全地终止而不会降低性能？

主要发现

• 与标准梅特罗波利斯算法相比，自适应构造方案使α参数的自相关时间（τ）降低了90倍，其中梅特罗波利斯算法的τ = 340 ± 100，而自适应方案的τ = 4 ± 1。
• 梅特罗波利斯-哈斯廷斯步骤的接受率在初始瞬态阶段后稳定在约70%，表明提议密度适应有效。
• 自适应方案的自相关函数（ACF）迅速衰减，而梅特罗波利斯算法的ACF在多个滞后阶数上仍保持较高水平，证实了采样数据相关性更低。
• 随着模拟长度增加，采样参数的协方差矩阵V收敛至稳定值，表明后验不确定性估计可靠。
• 自适应方案生成的MCMC样本相关性极低，导致统计误差显著小于标准梅特罗波利斯方法。
• 自适应构造方案即使在更高维模型（如具有四个参数的QGARCH模型）中也表现有效，证实了其鲁棒性与可扩展性。