When linear models fail to explain the dynamic behavior of economic and financial time series, the researcher has to turn his attention to the nonlinear world. This work has been devoted to develop novel methodological proposals that may be useful in explaining the evolution over time of economic indicators and financial instruments. In Chapter 2, the well established Markov regime switching framework is extended letting the transition probabilities vary over time according to an observation-driven updating mechanism. An extensive simulation study shows the ability of our new model to track several dynamic patterns in transition probabilities. In the illustration to U.S. Industrial Production growth rate, we show that the model can capture the dynamic features of regime transition probabilities for means and variances. In Chapter 3, we adapt the new methodology in order to model the electricity spot prices. The Markov regime switching has been extensively used in literature to deal with the spikes that affect the evolution over time of this commodity prices. The non-homogenous occurrence of jumps may be successfully explained by an hidden Markov chain with time-varying transition probabilities that can be also influenced by exogenous variables. The information related to forecasted reserve margin and forecast demand can be easily included in our proposal to improve the model fit as well as to describe the occurrence of spikes. In Chapter 4, we propose a novel semi-nonparametric model to describe accurately the volatility of financial returns. The finite sample properties are investigated under both correct and incorrect model specification. The latter case suggests that our model is able to recover the functional form of volatility as long as the sample size increases. In empirical relevant settings, features like the asymmetric effect of negative and positive current shocks on future volatility, known as leverage effect, as well as the role played by the market condition in influencing the volatility evolution might be captured by our proposal.

Quando i modelli lineari falliscono di spiegare il comportamento dinamico delle serie storiche finanziarie ed economiche, l’attenzione del ricercatore deve rivolgersi al mondo dei modelli non lineari. L’intento principale di questo lavoro è quello di sviluppare nuove metodologie che possano essere utili per spiegare l’evoluzione nel tempo sia di indicatori economici sia di strumenti finanziari. Nel secondo capitolo, i modelli Markov regime switching, ampiamente discussi in lette- ratura, sono estesi per permettere alle probabilità di transizione di evolvere nel tempo in accordo con un meccanismo di aggiornamento guidato dalle osservazioni. Attraverso un ap- profondito studio di simulazione, siamo abili di mostrare la capacità del nuovo modello di replicare diversi andamenti dinamici nelle probabilità di transizione. Un’analisi empirica è condotta sul tasso di crescita della produzione industriale statunitense. Nel terzo capitolo, la nuova metodologia è adattata per modellare efficacemente i prezzi del mercato elettrico. I modelli a cambio di regime sono stati usati ampiamente in questo contesto perchè sono in grado di cogliere i picchi che influenzano l’evoluzione temporale dei prezzi energetici. Dal momento che la presenza di questi picchi non è omogenea nel tempo, una catena di Markov latente e con probabilità di transizione dinamiche può essere utilizzata con successo. In particolare, variabili esogene possono essere impiegate per arricchire la dinamica delle probabilità di transizione. Ad esempio, l’informazione relativa al margine di riserva previsto e quella relativa alla domanda prevista possono essere incluse nel nostro modello migliorandone l’abilità descrittiva. Nel quarto capitolo, proponiamo un nuovo modello semi-nonparametrico per descrivere accuratamente la volatilità dei rendimenti finanziari. Attraverso uno studio di simulazione, abbiamo investigato le proprietà dello stimatore da noi proposto in campioni finiti, sia quan- do il modello è specificato correttamente sia quando non lo è. In entrambi i casi, la forma funzionale della volatilità è stimata consistentemente anche quando il modello non è corret- tamente specificato. Da una prospettiva empirica, caratteristiche dei rendimenti finanziari quali l’effetto asimmetrico di shock negativi e positivi sulla futura volatilità e l’influenza delle condizione del mercato nell’evoluzione della volatilità possono essere colte dal nostro modello.

Advances in non linear models for time series: methods and applications to economic and financial data / Bazzi, Marco. - (2015 Jan).

Advances in non linear models for time series: methods and applications to economic and financial data

Marco, Bazzi
2015

Abstract

Quando i modelli lineari falliscono di spiegare il comportamento dinamico delle serie storiche finanziarie ed economiche, l’attenzione del ricercatore deve rivolgersi al mondo dei modelli non lineari. L’intento principale di questo lavoro è quello di sviluppare nuove metodologie che possano essere utili per spiegare l’evoluzione nel tempo sia di indicatori economici sia di strumenti finanziari. Nel secondo capitolo, i modelli Markov regime switching, ampiamente discussi in lette- ratura, sono estesi per permettere alle probabilità di transizione di evolvere nel tempo in accordo con un meccanismo di aggiornamento guidato dalle osservazioni. Attraverso un ap- profondito studio di simulazione, siamo abili di mostrare la capacità del nuovo modello di replicare diversi andamenti dinamici nelle probabilità di transizione. Un’analisi empirica è condotta sul tasso di crescita della produzione industriale statunitense. Nel terzo capitolo, la nuova metodologia è adattata per modellare efficacemente i prezzi del mercato elettrico. I modelli a cambio di regime sono stati usati ampiamente in questo contesto perchè sono in grado di cogliere i picchi che influenzano l’evoluzione temporale dei prezzi energetici. Dal momento che la presenza di questi picchi non è omogenea nel tempo, una catena di Markov latente e con probabilità di transizione dinamiche può essere utilizzata con successo. In particolare, variabili esogene possono essere impiegate per arricchire la dinamica delle probabilità di transizione. Ad esempio, l’informazione relativa al margine di riserva previsto e quella relativa alla domanda prevista possono essere incluse nel nostro modello migliorandone l’abilità descrittiva. Nel quarto capitolo, proponiamo un nuovo modello semi-nonparametrico per descrivere accuratamente la volatilità dei rendimenti finanziari. Attraverso uno studio di simulazione, abbiamo investigato le proprietà dello stimatore da noi proposto in campioni finiti, sia quan- do il modello è specificato correttamente sia quando non lo è. In entrambi i casi, la forma funzionale della volatilità è stimata consistentemente anche quando il modello non è corret- tamente specificato. Da una prospettiva empirica, caratteristiche dei rendimenti finanziari quali l’effetto asimmetrico di shock negativi e positivi sulla futura volatilità e l’influenza delle condizione del mercato nell’evoluzione della volatilità possono essere colte dal nostro modello.
gen-2015
When linear models fail to explain the dynamic behavior of economic and financial time series, the researcher has to turn his attention to the nonlinear world. This work has been devoted to develop novel methodological proposals that may be useful in explaining the evolution over time of economic indicators and financial instruments. In Chapter 2, the well established Markov regime switching framework is extended letting the transition probabilities vary over time according to an observation-driven updating mechanism. An extensive simulation study shows the ability of our new model to track several dynamic patterns in transition probabilities. In the illustration to U.S. Industrial Production growth rate, we show that the model can capture the dynamic features of regime transition probabilities for means and variances. In Chapter 3, we adapt the new methodology in order to model the electricity spot prices. The Markov regime switching has been extensively used in literature to deal with the spikes that affect the evolution over time of this commodity prices. The non-homogenous occurrence of jumps may be successfully explained by an hidden Markov chain with time-varying transition probabilities that can be also influenced by exogenous variables. The information related to forecasted reserve margin and forecast demand can be easily included in our proposal to improve the model fit as well as to describe the occurrence of spikes. In Chapter 4, we propose a novel semi-nonparametric model to describe accurately the volatility of financial returns. The finite sample properties are investigated under both correct and incorrect model specification. The latter case suggests that our model is able to recover the functional form of volatility as long as the sample size increases. In empirical relevant settings, features like the asymmetric effect of negative and positive current shocks on future volatility, known as leverage effect, as well as the role played by the market condition in influencing the volatility evolution might be captured by our proposal.
Time-series, Score Driven Models, Markov regime switching, volatility, IP, GARCH
Advances in non linear models for time series: methods and applications to economic and financial data / Bazzi, Marco. - (2015 Jan).
File in questo prodotto:
File Dimensione Formato  
thesis.pdf

accesso aperto

Tipologia: Tesi di dottorato
Licenza: Non specificato
Dimensione 3.27 MB
Formato Adobe PDF
3.27 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3424696
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
  • OpenAlex ND
social impact