scholarly journals A Fast and Efficient Markov Chain Monte Carlo Method for Market Microstructure Model

2021 ◽  
Vol 2021 ◽  
pp. 1-24
Author(s):  
Sun Yapeng ◽  
Peng Hui ◽  
Xie Wenbiao
Keyword(s):  
Time Series ◽  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Market Microstructure ◽  
Financial Time Series ◽  
Market Liquidity ◽  
Time Varying ◽  
Financial Time ◽  
Simulation Smoother

The non-linear market microstructure (MM) model for financial time series modeling is a flexible stochastic volatility model with demand surplus and market liquidity. The estimation of the model is difficult, since the unobservable surplus demand is a time-varying stochastic variable in the return equation, and the market liquidity arises both in the mean term and in the variance term of the return equation in the MM model. A fast and efficient Markov Chain Monte Carlo (MCMC) approach based on an efficient simulation smoother algorithm and an acceptance-rejection Metropolis–Hastings algorithm is designed to estimate the non-linear MM model. Since the simulation smoother algorithm makes use of the band diagonal structure and positive definition of Hessian matrix of the logarithmic density, it can quickly draw the market liquidity. In addition, we discuss the MM model with Student-t heavy tail distribution that can be utilized to address the presence of outliers in typical financial time series. Using the presented modeling method to make analysis of daily income of the S&P 500 index through the point forecast and the density forecast, we find clear support for time-varying volatility, volatility feedback effect, market microstructure theory, and Student-t heavy tails in the financial time series. Through this method, one can use the estimated market liquidity and surplus demand which is much smoother than the strong stochastic return process to assist the transaction decision making in the financial market.

scholarly journals Modeling Financial Time Series Based on a Market Microstructure Model with Leverage Effect

2016 ◽  
Vol 2016 ◽  
pp. 1-15 ◽  
Author(s):  
Yanhui Xi ◽  
Hui Peng ◽  
Yemei Qin
Keyword(s):  
Time Series ◽  
Market Microstructure ◽  
Financial Time Series ◽  
Gaussian White Noise ◽  
Composite Index ◽  
Theoretical Explanation ◽  
Model Specification ◽  
Leverage Effect ◽  
Financial Time ◽  
Microstructure Model

The basic market microstructure model specifies that the price/return innovation and the volatility innovation are independent Gaussian white noise processes. However, the financial leverage effect has been found to be statistically significant in many financial time series. In this paper, a novel market microstructure model with leverage effects is proposed. The model specification assumed a negative correlation in the errors between the price/return innovation and the volatility innovation. With the new representations, a theoretical explanation of leverage effect is provided. Simulated data and daily stock market indices (Shanghai composite index, Shenzhen component index, and Standard and Poor’s 500 Composite index) via Bayesian Markov Chain Monte Carlo (MCMC) method are used to estimate the leverage market microstructure model. The results verify the effectiveness of the model and its estimation approach proposed in the paper and also indicate that the stock markets have strong leverage effects. Compared with the classical leverage stochastic volatility (SV) model in terms of DIC (Deviance Information Criterion), the leverage market microstructure model fits the data better.

scholarly journals Estimation and Properties of a Time-Varying GQARCH(1,1)-M Model

2011 ◽  
Vol 2011 ◽  
pp. 1-39 ◽  
Author(s):  
Sofia Anyfantaki ◽  
Antonis Demos
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Em Algorithm ◽  
Sample Size ◽  
Dynamic Properties ◽  
Conditional Variance ◽  
Monte Carlo Algorithm ◽  
Time Varying ◽  
Likelihood Analysis

Time-varying GARCH-M models are commonly used in econometrics and financial economics. Yet the recursive nature of the conditional variance makes exact likelihood analysis of these models computationally infeasible. This paper outlines the issues and suggests to employ a Markov chain Monte Carlo algorithm which allows the calculation of a classical estimator via the simulated EM algorithm or a simulated Bayesian solution in only computational operations, where is the sample size. Furthermore, the theoretical dynamic properties of a time-varying GQARCH(1,1)-M are derived. We discuss them and apply the suggested Bayesian estimation to three major stock markets.

scholarly journals Studies on break detection in financial time series volatility

2015 ◽  
Author(s):  
Βασιλική Χατζηκωνσταντή
Keyword(s):  
Time Series ◽  
Monte Carlo ◽  
Financial Time Series ◽  
Financial Time

Η παρούσα Διδακτορική Διατριβή παρέχει μια οικονομετρική ανάλυση της αστάθειας εστιάζοντας στις επιπτώσεις των διαρθρωτικών μεταβολών. Συγκεκριμένα εξετάζεται εάν η ύπαρξη διαρθρωτικών μεταβολών επηρεάζει την εμμονή στην αστάθεια και/ή την μακροχρόνια μνήμη σε χρηματοοικονομικές σειρές.Το πρώτο κεφάλαιο αποτελεί μια εισαγωγή στο ζήτημα των διαρθρωτικών μεταβολών και της αστάθειας. Στο δεύτερο κεφάλαιο εξετάζεται η απόδοση της στατιστικής των Kokoszka and Leipus (1999, 2000) για την ανίχνευση διαρθρωτικών μεταβολών σε χρονοσειρές που εμφανίζουν ετεροσκεδαστικότητα. Συγκεκριμένα, μέσα από πειράματα προσομοίωσης Monte Carlo μελετάται η ισχύς και το μέγεθος του στατιστικού ελέγχου κάτω από DGP που υποθέτουν υψηλά επίπεδα εμμονής. Οι στατιστικές ιδιότητες του αλγορίθμου εξετάζονται κάτω από την υπόθεση μιας μεταβολής, πολλαπλών μεταβολών, διάφορων τύπων μεταβολών καθώς και από την υιοθέτηση διαφορετικών εκτιμητών για την μακροχρόνια διακύμανση.Στο τρίτο κεφάλαιο εξετάζεται η αστάθεια και η εμμονή των δεικτών του Ελληνικού χρηματιστηρίου εστιάζοντας στην επίδραση των διαρθρωτικών μεταβολών. Η Ελληνική χρηματαγορά αποτελεί μια μικρή, περιφερειακή αγορά στην οποία δεν έχει εξεταστεί η πιθανή επίδραση των διαρθρωτικών μεταβολών. Η ανίχνευση των μεταβολών βασίζεται στην υιοθέτηση της στατιστικής των Kokoszka and Leipus (1999, 2000) ενώ η αστάθεια αναλύεται χρησιμοποιώντας υποδείγματα τύπου GARCH.Στο τέταρτο κεφάλαιο αναλύονται οι από κοινού επιπτώσεις των διαρθρωτικών μεταβολών και των ακραίων τιμών στην αστάθεια. Αν και οι επιπτώσεις τους έχουν μελετηθεί σε βάθος ξεχωριστά, η από κοινού επιπτώσεις τους δεν έχουν εξεταστεί ευρέως. Στην εν λόγω ανάλυση υιοθετείται ένας αλγόριθμος τύπου wavelet για την ανίχνευση των ακραίων τιμών, ενώ ο αριθμός και η χρονολόγηση των διαρθρωτικών μεταβολών βασίζεται σε έναν μη παραμετρικό αλγόριθμο. Τέλος, ο ακριβής αριθμός των διαρθρωτικών μεταβολών επιβεβαιώνεται μέσα από μια σειρά ελέγχων (robustness tests).Στο πέμπτο κεφάλαιο εξετάζεται η πιθανή αλληλεπίδραση μεταξύ της μακροχρόνιας μνήμης και των διαρθρωτικών μεταβολών. Πιο συγκεκριμένα εξετάζεται εάν η μακροχρόνια μνήμη μιας χρονοσειράς μπορεί να είναι πλασματική αν δεν λάβουμε υπόψη τις πιθανές διαρθρωτικές μεταβολές. Στην εν λόγω έρευνα χρησιμοποιήθηκε το ημερήσιο λογαριθμικό εύρος ως μέτρο αστάθειας. Η ανίχνευση των διαρθρωτικών μεταβολών στηρίζεται σε δυο προσεγγίσεις. Υιοθετήθηκε ένα υπόδειγμα με πολλαπλές «απότομες» διαρθρωτικές μεταβολές στο μέσο και ένα υπόδειγμα ομαλής μετάβασης. Το τελευταίο υποθέτει απότομες μεταβολές, ομαλές μεταβολές ή και συνδυασμό αυτών. Τέλος, στο έκτο κεφάλαιο συνθέτονται τα συμπεράσματα της εν λόγω Διατριβής.

scholarly journals A Quantum-inspired Entropic Kernel for Multiple Financial Time Series Analysis

2020 ◽  
Author(s):  
Lu Bai ◽  
Lixin Cui ◽  
Yue Wang ◽  
Yuhang Jiao ◽  
Edwin R. Hancock
Keyword(s):  
Time Series ◽  
Time Series Analysis ◽  
Similarity Measure ◽  
Dynamic Time Warping ◽  
Financial Time Series ◽  
Time Varying ◽  
Time Warping ◽  
Classical Dynamic ◽  
Financial Time ◽  
Dynamic Time

Network representations are powerful tools for the analysis of time-varying financial complex systems consisting of multiple co-evolving financial time series, e.g., stock prices, etc. In this work, we develop a new kernel-based similarity measure between dynamic time-varying financial networks. Our ideas is to transform each original financial network into quantum-based entropy time series and compute the similarity measure based on the classical dynamic time warping framework associated with the entropy time series. The proposed method bridges the gap between graph kernels and the classical dynamic time warping framework for multiple financial time series analysis. Experiments on time-varying networks abstracted from financial time series of New York Stock Exchange (NYSE) database demonstrate that our approach can effectively discriminate the abrupt structural changes in terms of the extreme financial events.

Sign in / Sign up

Export Citation Format

Share Document