[论文解读] Bayesian Multivariate Quantile Regression with alternative Time-varying Volatility Specifications

Matteo Iacopini, Francesco Ravazzolo+1 more|arXiv (Cornell University)|Nov 29, 2022

Financial Risk and Volatility Modeling被引用 5

一句话总结

本文提出了一种基于随机波动率（SV）和GARCH设定的贝叶斯多变量分位数回归模型，采用时间变异性波动率，利用多变量非对称拉普拉斯似然的混合表示法与Cholesky分解，实现高效的MCMC抽样。与同方差基准模型相比，该模型在尾部分位数预测精度方面有显著提升，尤其在基于分位数评分的时变权重组合下表现更优。

ABSTRACT

This article proposes a novel Bayesian multivariate quantile regression to forecast the tail behavior of energy commodities, where the homoskedasticity assumption is relaxed to allow for time-varying volatility. In particular, we exploit the mixture representation of the multivariate asymmetric Laplace likelihood and the Cholesky-type decomposition of the scale matrix to introduce stochastic volatility and GARCH processes and then provide an efficient MCMC to estimate them. The proposed models outperform the homoskedastic benchmark mainly when predicting the distribution's tails. We provide a model combination using a quantile score-based weighting scheme, which leads to improved performances, notably when no single model uniformly outperforms the other across quantiles, time, or variables.

研究动机与目标

• 解决多变量分位数回归在预测宏观经济与金融指标尾部风险时存在的同方差性局限性。
• 将多变量分位数向量自回归（QVAR）框架扩展，通过随机波动率（SV）与GARCH过程引入时变波动率。
• 设计一种高效的MCMC算法，联合抽样跨方程的完整波动率路径，提升计算效率。
• 提升预测分布尾部的预测精度，特别是在经济压力时期（如新冠疫情和战争期间）表现更优。
• 提出一种基于分位数评分的时变权重模型组合策略，以增强在无单一模型在所有分位数或变量上均占优时的预测性能。

提出的方法

• 通过正态分布的位置-尺度混合表示法，使用多变量非对称拉普拉斯（MAL）分布建模似然函数。
• 通过在尺度矩阵上引入SV与GARCH设定，实现时变波动率，并利用Cholesky型分解实现参数识别。
• 设计一种高效的MCMC算法，实现跨截面维度间波动率路径的联合与独立抽样。
• 采用参数驱动的SV与观测驱动的GARCH过程，捕捉多变量分位数回归中的动态波动率。
• 实施一种基于分位数评分推导的时变权重模型组合策略，以提升预测性能。
• 将该框架应用于美国宏观经济与金融指标，包括GDP、通胀率、联邦基金利率与NFCI，覆盖多个分位数（10%、30%、50%、70%、90%）。

实验结果

研究问题

• RQ1 通过SV或GARCH引入时变波动率，是否能显著提升多变量分位数回归模型在预测分布尾部的预测性能？
• RQ2 SV与GARCH设定在不同分位数与宏观经济变量上的预测精度表现如何比较？
• RQ3 基于分位数评分的时变权重模型组合策略，是否能在不同分位数与时间段内超越单一模型的性能？
• RQ4 时变波动率带来的性能提升在分布的左侧（下行）尾部还是右侧（上行）尾部更为显著？
• RQ5 与单变量模型相比，多变量框架在预测精度上的提升程度如何，尤其是在压力条件下？

主要发现

• 时变波动率模型（QVAR-SV与QVAR-GARCH）在预测10%分位数（左尾）时显著优于同方差基准模型，模型置信集与Diebold-Mariano检验均确认了统计显著性。
• 在10%分位数下，采用时变权重的多变量模型组合在多数变量（包括通胀率、联邦基金利率与NFCI）中表现最佳。
• 在30%分位数下，QVAR-SV在通胀率、平均周工时与工业生产指标中表现最优，而模型组合在失业率与GDP上更优。
• 在50%分位数（中位数）下，时变波动率带来的改进不甚明显，仅通过Diebold-Mariano检验显示边际统计显著性。
• 在70%与90%分位数下，时变波动率模型持续优于基准模型，且除通胀率外，所有变量的最优结果均由采用时变权重的单变量模型组合实现。
• 在多数分位数/变量配置中，采用时变权重的多变量模型组合是最具准确性的预测方法，尤其在尾部区域表现出稳健性，尤其当无单一模型在所有情境中占优时。