Bootstrap Methods for Univariate and Multivariate Volatility

Feng, Gang

Der Schwerpunkt dieser Arbeit liegt auf der Entwicklung von Bootstrap-Verfahren für auf hochfrequenten Daten basierende Schätzung von Volatilitäten im Finanzmarkt. Wir untersuchen zeitdiskrete Modelle für logarithmierte Renditen mit zugrunde liegenden variierenden Volatilitätsfunktionen. Bei diesen Modellen ist der Innovationsterm nicht zwingend normalverteilt, zudem wird schwache Abhängigkeit zugelassen, welche über die Geometric-Moment-Contracting-Eigenschaft beschrieben wird. Die asymptotischen Verteilungen der Volatilitätsschätzer sind für die zeitdiskreten Modelle unter unterschiedlichen Bedingungen angegeben. Für die univariaten zeitdiskreten Modelle benutzen wir einen Kern-Schätzer, um die zugrunde liegende variierende Volatilität zu erfassen und darauf basierend die Innovationen zu schätzen. In Kapitel 2 wird die Unabhängigkeitsbedingung für den Innovationsterm angenommen. Wir schlagen ein nichtparametrisches Verfahren vor, bei dem der IID-Bootstrap-Ansatz auf die berechneten Innovationen angewendet wird. Als eine Alternative wird ein nichtparametrisches Wild-Bootstrap-Verfahren vorgeschlagen. Dabei werden Pseudo-Zufallszahlen erzeugt, deren erstes und zweites Moment mit denen der Innovationen übereinstimmen. In Kapitel 3 ist der Innovationsterm eine schwach abhängige Zeitreihe. Wir kombinieren das Kernschäzungsverfahren mit dem Linear-Process-Bootstrap von McMurry und Politis (2010). Dieser Vorschlag hängt stark von der Genauigkeit der Kernschätzung ab. Die Anwendung ist auf Zeitreihen mit geometrisch abfallender Autokovarianzfunktion begrenzt. Bei mehrdimensionaler Modellierung kann die variierende Volatilität nicht mehr geschätzt werden. Jedoch wird die Volatilität mit einer stetig differenzierbaren Funktion modelliert. Der Rendite-Prozess kann als eine lokal stationäre Zeitreihe betrachtet werden. Basierend auf dieser Eigenschaft schlagen wir vor, das Local-Bootstrap-Verfahren von Shi (1991) für das unabhängige Modell und das Local-Block-Bootstrap-Verfahren von Paparoditis and Politis (2002) für das schwach abhängige Modell einzusetzen. Im Vergleich zum Local-Block-Bootstrap wird ein Local-Dependent-Wild-Bootstrap entwickelt, bei dem der Dependent-Wild-Bootstrap von Shao (2010) in nicht überlappenden lokalen Zeitintervallen eingesetzt wird. Die Validität aller Bootstrap-Ansätze wird bewiesen und ihre Eigenschaft bei begrenztem Stichprobeumfang wird durch Simulationen untersucht.

This thesis focuses on developing bootstrap procedures for realized volatility estimators, which are often used to measure the financial market volatility based on high frequency intraday data. Unlike the commonly used continuous-time stochastic volatility (SV) models, discrete-time models for the logarithmic returns with underlying time varying volatility functions are investigated. In these models, the innovation term is not necessarily normally distributed and weak dependence is allowed. To describe this weak dependence, we make use of the geometric-moment contracting (GMC) property as an underlying assumption. The central limit results for our discrete-time models are given. For the univariate discrete-time models, we propose a kernel estimator to capture the time varying volatility structure, and thereafter estimate the underlying innovations. In chapter 2, the innovations are assumed to be independent. We propose a nonparametric i.i.d. bootstrap procedure by resampling the estimated noise innovations, and a nonparametric wild bootstrap procedure by generating pseudo-noise that imitates correctly the first and second order properties of the underlying noise. In chapter 3, the innovation term is assumed to be a time series with weak dependence. We combine the kernel volatility estimation with the linear process bootstrap of McMurry and Politis (2010). This proposal highly depends on the accuracy of the kernel estimation. For our proposed kernel estimator, the application is restricted to those time series, in which the autocovariance decays geometrically. In the multivariate discrete-time models, the varying volatility structure cannot be estimated anymore. However, the underlying volatility is assumed to be a smooth function, and the return process is therefore locally stationary. Based on this property, we propose to use the local bootstrap approach of Shi (1991) for the model with independent innovations, and the local block bootstrap of Paparoditis and Politis (2002) for the model with weak dependence. As an alternative to the local block bootstrap method, we propose a local dependent wild bootstrap procedure by application of the dependent wild bootstrap of Shao (2010) in nonoverlapping local windows. The validity of all bootstrap proposals is proved, and the finite sample properties of some proposals are investigated in simulation studies.

Vorschau

Zitieren

Zitierform:

Feng, Gang: Bootstrap Methods for Univariate and Multivariate Volatility. 2015.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Details anzeigen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export