[论文解读] Dealing with Stochastic Volatility in Time Series Using the R Package stochvol

Gregor Kastner|RePEc: Research Papers in Economics|Jun 28, 2019

Financial Risk and Volatility Modeling被引用 28

一句话总结

本文介绍了 R 语言包 stochvol，这是一个基于马尔可夫链蒙特卡洛（MCMC）方法的随机波动率（SV）建模全贝叶斯实现。该包支持对潜在波动率状态和模型参数进行推断，提供高效的 MCMC 采样、后验预测功能，并可与其它 MCMC 框架无缝集成，已在汇率数据上得到应用验证。

ABSTRACT

The R package stochvol provides a fully Bayesian implementation of heteroskedasticity modeling within the framework of stochastic volatility. It utilizes Markov chain Monte Carlo (MCMC) samplers to conduct inference by obtaining draws from the posterior distribution of parameters and latent variables which can then be used for predicting future volatilities. The package can straightforwardly be employed as a stand-alone tool; moreover, it allows for easy incorporation into other MCMC samplers. The main focus of this paper is to show the functionality of stochvol. In addition, it provides a brief mathematical description of the model, an overview of the sampling schemes used, and several illustrative examples using exchange rate data.

研究动机与目标

• 为应用计量经济学和金融学中随机波动率（SV）模型的估计，解决缺乏易于使用、开箱即用的软件工具的问题。
• 提供一个全贝叶斯框架用于 SV 建模，支持对潜在波动率状态和模型参数的后验推断。
• 提供一种计算高效的 MCMC 采样器，支持中心化与非中心化参数化形式。
• 实现 stochvol 与更广泛 MCMC 工作流的无缝集成，支持预测和模型比较。
• 通过真实汇率回报数据的应用，展示该包的功能。

提出的方法

• 采用层次贝叶斯 SV 模型，其中收益服从具有时变方差的正态分布，对数波动率服从一阶自回归过程。
• 对潜在波动率过程采用中心化参数化形式，对参数 μ（水平）、φ（持续性）和 ση（波动率的波动率）设定先验分布。
• 基于吉布斯采样和梅特罗波利斯-黑斯廷斯更新实现高效的 MCMC 采样方案，支持交错更新与块更新。
• 通过 'expert' 参数支持中心化与非中心化参数化，提升 MCMC 混合效率与收敛性。
• 使用 C 语言编写的内核采样器提升计算效率，输出转换为 coda 兼容对象，便于诊断与汇总统计分析。
• 提供高层函数如 svsample 用于 MCMC 采样，volplot 用于可视化后验波动率分位数，以及 summary/print 方法用于后验推断。

Figure 1: Visualization of EUR-USD exchange rates included in the \pkg stochvol package.

实验结果

研究问题

• RQ1 如何在全贝叶斯框架下，利用 MCMC 高效估计随机波动率模型？
• RQ2 与现有的 GARCH 方法或非贝叶斯 SV 估计方法相比，stochvol 包在计算与统计方面具有哪些关键优势？
• RQ3 在 SV 模型中，选择中心化与非中心化参数化如何影响 MCMC 的收敛性与混合效率？
• RQ4 stochvol 包能否在真实金融时间序列（如汇率收益率）中可靠估计并预测潜在波动率？
• RQ5 该包在支持集成到更大规模 MCMC 工作流以及模型比较技术（如预测贝叶斯因子）方面表现如何？

主要发现

• stochvol 包成功实现了高效的全贝叶斯 MCMC 框架用于随机波动率建模，在 3,139 个观测值的汇率数据集上，每秒可达到约 851 次迭代。
• 后验估计的持续性参数 φ 均值为 0.9935，标准误差为 0.00282，表明对数波动率具有强烈的均值回归特征。
• 波动率的波动率 ση 的估计值为 0.0656（标准误 0.0100），表明波动率过程存在中等程度的时间变化。
• 水平参数 μ 的后验均值为 -10.1366（标准误 0.2271），95% 可信区间为 -10.4749 至 -9.7933。
• 该包支持准确的 n 步未来波动率预测，如 volplot 函数所示，预测时域可达 100 步。
• 通过 coda 兼容输出，该包支持稳健的收敛性诊断与汇总统计分析，有助于模型评估与报告。

Figure 2: Visualization of a simulated time series as provided by the default \code plot method.