Stochastic Volatility in Mean: Empirical Evidence from Latin-American Stock Markets using Hamiltonian Monte Carlo and Riemann Manifold HMC Methods

2021 ◽  
Author(s):  
Carlos A. Abanto-Valle ◽  
Gabriel Rodríguez ◽  
Hernán B. Garrafa-Aragón
Keyword(s):  
Monte Carlo ◽  
Empirical Evidence ◽  
Stochastic Volatility ◽  
Latin American ◽  
Stock Markets ◽  
Riemann Manifold ◽  
Hamiltonian Monte Carlo

scholarly journals Stochastic Volatility in Mean. Empirical Evidence from Stock Latin American Markets

2020 ◽  
Author(s):  
Carlos Abanto Valle ◽  
Gabriel Rodríguez ◽  
Hernán Garrafa Aragón
Keyword(s):  
Empirical Evidence ◽  
Stochastic Volatility ◽  
Latin American

Utilizando un modelo de volatilidad estocástica en la media (SVM), realizamos un estudio empírico de los índices latinoamericanos en vivo para ver el impacto de la volatilidad en la media de los retornos. Utilizamos la dinámica hamiltoniana de MCMC. Los resultados indican que la volatilidad tiene un impacto negativo en los rendimientos, lo que sugiere que el efecto de retroalimentación de la volatilidad es más fuerte que el efecto relacionado con la volatilidad esperada. Este resultado es claro y contrario al hallazgo de Koopman y Uspensky (2002). Los demás países presentan valores negativos pero la cola superior de los intervalos se acerca al valor cero.

scholarly journals Approximate Bayesian Estimation of Stochastic Volatility in Mean Models using Hidden Markov Models: Empirical Evidence from Stock Latin American Markets

2021 ◽  
Author(s):  
Carlos A. Abanto-Valle ◽  
Gabriel Rodríguez ◽  
Hernán Garrafa-Aragón ◽  
Luis M. Castro Cepero
Keyword(s):  
Hidden Markov Models ◽  
Empirical Evidence ◽  
Stochastic Volatility ◽  
Importance Sampling ◽  
Latin American ◽  
Markov Models ◽  
Hidden Markov ◽  
Inferencia Bayesiana ◽  
America Latina ◽  
Approximate Bayesian

El modelo de volatilidad estocástica en la media (SVM) propuesto por Koopman and Uspensky (2002) es re- visado. Este documento tiene dos objetivos. El primero es ofrecer una metodología que requiere menos tiempo computacional en simulaciones y estimaciones comparadas con otras propuestas en la literatura como en Abanto- Valle et al. (2021) y otros. Para lograr el primer objetivo, proponemos aproximamos la función de verosimilitud del modelo SVM aplicando Hidden Markov Models (HMM) para hacer posible la inferencia bayesiana en tiempo real. Tomamos muestras de la distribución posterior de los parámetros usando una distribución Normal mul- tivariada con media y varianza dadas por la moda posterior y la inversa de la matriz Hessiana evaluada en esta moda posterior usando importance sampling (IS). Usando simulaciones, las propiedades frecuentistas de los estimadores son analizadas. El segundo objetivo es proporcionar evidencia empírica estimando el modelo SVM utilizando datos diarios para cinco mercados bursátiles de América Latina. Los resultados indican que la volatilidad impacta negativamente en los rendimientos sugiriendo que el efecto de retroalimentación de la volatilidad es más fuerte que el efecto relacionado con la volatilidad esperada. Este resultado es exacto y opuesto al hallazgo de Koopman and Uspensky (2002). Nosotros comparamos nuestra metodología con los algoritmos de Hamiltoniano Montecarlo (HMC) y Riemannian HMC basados en Abanto-Valle et al. (2021).

Sign in / Sign up

Export Citation Format

Share Document