scholarly journals Topics in bayesian econometrics

2020 ◽  
Author(s):  
Ευάγγελος Παράβαλος
Keyword(s):  
Bayesian Econometrics

Η παρούσα διπλωματική διατριβή αποτελείται από τέσσερα δοκίμια εφαρμογής της Μπεϋζιανής οικονομετρίας στα οικονομικά. Το πρώτο δοκίμιο, προτείνει μια νέα μέθοδο επαγωγής για τα Δυναμικά Στοχαστικά Μοντέλα Γενικής Ισορροπίας, χρησιμοποιώντας μια Μπεϋζιανή ήμι-παραμετρική προσέγγιση. Η μέθοδος θεωρεί ένα σύνολο από συνθήκες ροπής οι οποίες εμπεριέχουν μη παρατηρήσιμες και παρατηρήσιμες μεταβλητές και εφαρμόζει εντροπική ολοκλήρωση μη παρατηρήσιμων μεταβλητών μέσω προσομοίωσης χρησιμοποιώντας μια ελαχίστως ευνοϊκή κατανομή για το διάνυσμα των μη παρατηρούμενων μεταβλητών. Μια Μπεϋζιανή προσέγγιση τεμαχικής εμπειρικής πιθανοφάνειας η οποία στηρίζεται στην Μπεϋζιανή εμπειρική πιθανοφάνεια επεκτεινομένου τεμαχίου εκ των υστέρων κατανομή χρησιμοποιείται για την στατιστική επαγωγή των παραμέτρων του μοντέλου. Στο δεύτερο δοκίμιο, προτείνεται μια προσέγγιση Μπεϋζιανής επαγωγής για το Στοχαστικό Ακτινικό Σύνορο Παραγωγής και την τεχνική αναποτελεσματικότητα. Η μέθοδος συνδυάζει το στοχαστικό ακτινικό σύνορο παραγωγής με εξισώσεις που προέρχονται από τις συνθήκες πρώτης τάξης του σχετιζόμενου πλαισίου μεγιστοποίησης των κερδών και προτείνει μια Μπεϋζιανή διαδικασία για την από κοινού εκτίμησή τους ως σύστημα. Το τρίτο δοκίμιο εισαγάγει τεχνική αναποτελεσματικότητα στην συνάρτηση παραγωγής ενός Δυναμικού Στοχαστικού Μοντέλου Γενικής Ισορροπίας. Η τεχνική αναποτελεσματικότητα εισάγεται μέσω ενός σύνθετου σφάλματος στο οποίο ο πρώτος όρος είναι ένα αμφίπλευρο σφάλμα το οποίο αναπαριστά λάθη μέτρησης και το δεύτερο είναι ένα μη-αρνητικό σφάλμα που εκφράζει την τεχνική αναποτελεσματικότητα. Επαγωγή για τις παραμέτρους του μοντέλου και την τεχνική αναποτελεσματικότητα πραγματοποιείται μέσω της Μπεϋζιανής εμπειρικής πιθανοφάνειας επεκτεινομένου τεμαχίου εκ των υστέρων κατανομής. Στο τέταρτο δοκίμιο, συγκρίνεται η στατιστική και η υπολογιστική αποτελεσματικότητα μιας σειράς εναλλακτικών μεθόδων δειγματοληψίας για την προσομοίωση εκ των υστέρων κατανομών που προέρχονται από Δυναμικά Στοχαστικά Μοντέλα Γενικής Ισορροπίας. Πέντε διαφορετικές μέθοδοι δειγματοληψίας που αποτελούνται από δυο διαφορετικές μορφές του αλγορίθμου τυχαίου περιπάτου των Μετρόπολις-Χέιστινγκ, του Χαμιλτονιανού Μόντε-Κάρλο αλγορίθμου, του Μετρόπολις προσαρμοσμένου Λάνγκεβιν αλγορίθμου και του Μετρόπολις προσαρμοσμένου Λάνγκεβιν αλγορίθμου απλοποιημένου πολυπτύγματος, θεωρούνται και συγκρίνονται έναντι μιας σειράς κριτηρίων απόδοσης για μοντέλα διαφορετικής διάστασης.

Introduction to Bayesian Econometrics

2009 ◽  
Vol 85 (270) ◽  
pp. 364-366
Author(s):  
Liana Jacobi
Keyword(s):  
Bayesian Econometrics

The Oxford Handbook of Bayesian Econometrics

2011 ◽  
Keyword(s):  
Bayesian Methods ◽  
Particle Filtering ◽  
State Of The Art ◽  
State Space Models ◽  
Bayesian Econometrics ◽  
Econometric Methods ◽  
Econometric Methodology ◽  
Posterior Simulation ◽  
Nonparametric Techniques ◽  
Bayesian Time Series

Bayesian econometric methods have enjoyed an increase in popularity in recent years. Econometricians, empirical economists, and policymakers are increasingly making use of Bayesian methods. The Oxford Handbook of Bayesian Econometrics is a single source about Bayesian methods in specialized fields. It contains articles by leading Bayesians on the latest developments in their specific fields of expertise. The volume provides broad coverage of the application of Bayesian econometrics in the major fields of economics and related disciplines, including macroeconomics, microeconomics, finance, and marketing. It reviews the state of the art in Bayesian econometric methodology, with articles on posterior simulation and Markov chain Monte Carlo methods, Bayesian nonparametric techniques, and the specialized tools used by Bayesian time series econometricians such as state space models and particle filtering. It also includes articles on Bayesian principles and methodology.

Bayesian Methods In Finance

2011 ◽  
pp. 438-512 ◽  
Author(s):  
Eric Jacquier ◽  
Nicholas Polson
Keyword(s):  
Financial Markets ◽  
Bayesian Methods ◽  
Particle Filtering ◽  
Optimal Allocation ◽  
Financial Econometrics ◽  
Bayesian Econometrics ◽  
Empirical Asset Pricing ◽  
Mcmc Algorithms ◽  
Volatility Models ◽  
The Mean

This article looks at the usefulness of Bayesian methods in finance. It covers all the major topics in finance. It discusses the predictability of the mean of asset returns, central to finance, as it relates to the efficiency of financial markets. It reviews the economic relevance of predictability and its impact on optimal allocation. It also describes the Markov chain Monte Carlo (MCMC) and particle filtering algorithms that are important in modern Bayesian financial econometrics. MCMC algorithms have resulted in a tremendous growth in the use of stochastic volatility models in financial econometrics. This article also contains some major contributions of Bayesian econometrics to the literature on empirical asset pricing. Many of the other themes in modern Bayesian econometrics, including the use of shrinkage and the interaction between theory and econometrics are discussed. This article ends up with the discussion of a promising recent development in finance: filtering with parameter learning.

Sign in / Sign up

Export Citation Format

Share Document