[论文解读] Modeling Univariate and Multivariate Stochastic Volatility in R with stochvol and factorstochvol

Darjus Hosszejni, Gregor Kastner|ePubWU Institutional Repository (Wirtschaftsuniversität Wien)|Jun 28, 2019

Financial Risk and Volatility Modeling参考文献 53被引用 14

一句话总结

本文介绍了两个R包 stochvol 和 factorstochvol，用于通过C++集成实现的高效MCMC采样，进行贝叶斯估计单变量和多变量随机波动率（SV）模型。该工作扩展了先前的软件，支持重尾误差、杠杆效应、线性均值模型以及多变量因子SV模型，提供用户友好的接口和预测推断工具，适用于金融时间序列分析。

ABSTRACT

Stochastic volatility (SV) models are nonlinear state-space models that enjoy increasing popularity for fitting and predicting heteroskedastic time series. However, due to the large number of latent quantities, their efficient estimation is non-trivial and software that allows to easily fit SV models to data is rare. We aim to alleviate this issue by presenting novel implementations of four SV models delivered in two R packages. Several unique features are included and documented. As opposed to previous versions, stochvol is now capable of handling linear mean models, heavy-tailed SV, and SV with leverage. Moreover, we newly introduce factorstochvol which caters for multivariate SV. Both packages offer a user-friendly interface through the conventional R generics and a range of tailor-made methods. Computational efficiency is achieved via interfacing R to C++ and doing the heavy work in the latter. In the paper at hand, we provide a detailed discussion on Bayesian SV estimation and showcase the use of the new software through various examples.

研究动机与目标

• 解决实践中随机波动率（SV）模型估计缺乏可访问且高效的软件问题。
• 扩展现有的 stochvol 包，支持单变量SV模型中的条件重尾创新、杠杆效应以及线性均值回归器。
• 开发一个新的R包 factorstochvol，以实现多变量因子随机波动率模型的贝叶斯估计。
• 为研究人员和从业者提供用户友好且计算高效的接口，用于估计、可视化和预测SV模型。
• 通过多变量设置下的层次收缩先验和特征值诊断，实现高维后验推断与模型选择。

提出的方法

• 使用状态空间模型框架，实现具有正态分布、学生t分布、杠杆效应以及组合杠杆-t误差分布的单变量SV模型。
• 通过R的Rcpp接口集成C++代码，加速MCMC采样，尤其适用于高维潜 volatility 路径。
• 采用吉布斯采样，结合高效的共轭先验和梅特罗波利斯-黑斯廷斯更新，处理潜状态和超参数。
• 在 factorstochvol 中引入层次收缩先验（如正态-伽马分布），以实现自动因子选择和维度降低。
• 提供通用R方法（如 summary、plot、predict），实现与标准R工作流的无缝集成。
• 利用因子载荷矩阵的特征值诊断，指导多变量模型中自动因子选择。

Figure 1: The default plot of an estimated model. The top row shows a summary of the posterior of the daily volatility (in percent) $100\exp(\bm{h}/2)$ through its median (black) and 5% and 95% quantiles (gray). The remaining panels summarize the Markov chains of the parameters $\mu$ , $\varphi$ , $

实验结果

研究问题

• RQ1 如何在R中高效估计具有重尾误差和杠杆效应的单变量随机波动率模型？
• RQ2 引入线性均值回归器对SV模型的估计效果和可解释性有何影响？
• RQ3 如何在贝叶斯框架下，通过因子结构高效建模多变量随机波动率？
• RQ4 在高维多变量SV模型中，选择因子数量的有效方法是什么？
• RQ5 如何在多变量SV模型中高效执行协方差、相关系数以及未来观测值的预测推断？

主要发现

• stochvol 包现已支持具有条件重尾、杠杆效应及线性均值分量的单变量SV模型的贝叶斯估计，显著扩展了其适用范围。
• 新开发的 factorstochvol 包通过层次收缩先验和基于特征值诊断的自动因子选择，实现了多变量因子SV模型的高效贝叶斯估计。
• 通过C++集成，MCMC采样性能得到显著提升，即使在高维波动率路径下也能实现快速后验模拟。
• 通过 predcor() 和 predcov() 函数，协方差和相关系数矩阵的预测推断是可行且得到良好支持的，可获取后验预测均值与标准差。
• 这些包提供了直观的可视化工具和预测诊断方法（如对数预测得分），支持样本外模型评估。
• 实证示例表明，这些模型能够高精度捕捉时变相关性和动态波动率，尤其在具有重尾和杠杆效应的金融时间序列中表现优异。

Figure 2: Trace plots and estimated kernel densities of posterior draws from $p(\bm{\beta}\mid\bm{y})$ .