Estimation of the Cholesky Multivariate Stochastic Volatility Model Using Iterated Filtering

Cel: Celem artykułu jest zaproponowanie nowej metody estymacji dla wielowymiarowego modelu stochastycznej zmienności z dekompozycją Choleskiego w oparciu o algorytm iterowanej filtracji (Ionides et al., 2006, 2015). Metodyka: Iterowana filtracja jest metodą należącą do klasycznego częstościowego wnioskowania, która poprzez wielokrotne powtórzenia procesu filtrowania zapewnia sekwencję aktualizowanych oszacowań parametrów zbieżnych do estymatora największej wiarygodności. Wyniki: Efektywność zaproponowanej metody estymacji została pokazana na przykładzie empirycznym, w którym wykorzystano wielowymiarowy model stochastyczny zmienności z dekompozycją Choleskiego w badaniu aktywów bezpiecznej przystani dla jednego indeksu rynkowego: Standard and Poor's 500 oraz trzech kandydatów na aktywa bezpiecznej przystani: złota, Bitcoina i Ethereum. Implikacje i rekomendacje: W dalszych badaniach metodę iterowanej filtracji można zastosować do bardziej zaawansowanych wielowymiarowych modeli zmienności stochastycznej, które uwzględniają np. efekt dźwigni (Ishihara et al., 2016) oraz rozkłady gruboogonowe (Ishihara i Omori, 2012). Oryginalność/Wartość: Głównym osiągnięciem artykułu jest propozycja nowej metody estymacji wielowymiarowego modelu stochastycznej zmienności z dekompozycją Choleskiego w oparciu o iterowany algorytm filtrowania. Jest to jedna z niewielu metod klasycznego częstościowego wnioskowania dla wielowymiarowych modeli stochastycznej zmienności.

Aim: The paper aims to propose a new estimation method for the Cholesky Multivariate Stochastic Volatility Model based on the iterated filtering algorithm (Ionides et al., 2006, 2015). Methodology: The iterated filtering method is a frequentist-based technique that through multiple repetitions of the filtering process, provides a sequence of iteratively updated parameter estimates that converge towards the maximum likelihood estimate. Results: The effectiveness of the proposed estimation method was shown in an empirical example in which the Cholesky Multivariate Stochastic Volatility Model was used in a study on safe-haven assets of one market index: Standard and Poor’s 500 and three safe-haven candidates: gold, Bitcoin and Ethereum. Implications and recommendations: In further research, the iterating filtering method may be used for more advanced multivariate stochastic volatility models that take into account, for example, the leverage effect (as in Ishihara et al., 2016) and heavy-tailed errors (as in Ishihara and Omori, 2012). Originality/Value: The main contribution of the paper is the proposition of a new estimation method for the Cholesky Multivariate Stochastic Volatility Model based on iterated filtering algorithm This is one of the few frequentist-based statistical inference methods for multivariate stochastic volatility models.