Essays in bayesian financial econometrics

Abstract

Essa tese é composta de três artigos. Emtodos os capítulos, prioris capazes de gerar esparsidade possuem um papel central. O primeiro capítulo expande modelos de volatilidade estocástica intradiária ao propor ummétodo baseado em dados para selecionar os eventos macroeconômicos mais prováveis de impactar a volatilidade e reconecta-los com fundamentos macroeconômicos. O modelo proposta possui desempenho superior ao demais na previsão de volatilidade realizada e em exercícios de alocação de portfólios. O segundo capítulo usa as propriedades da priori do tipo Horseshoe para permitir a inclusão de um grande número de variáveis exógenas em um modelo de cópula dinâmica. Emuma aplicação empírica, a abordagem proposta identifica fontes de informação sobre futuros valores do parâmetro da cópula e, ao usar tais valores, desempenha melhor em problemas de alocação de portfólios. O terceiro capítulo expande modelos de volatilidade estocástica ao considerar assimetria variante no tempo sem a necessidade de impo-la. Apesar da assimetria dinâmica poder capturar a provável direção de retornos futuros, ela leva ao risco de overparameterization. A abordagem proposta mitiga esse risco ao usar prioris geradoras de esparsidade capazes de automaticamente selecionar o parâmetro da assimetria como dinâmico, estático ou zero. O capítulo destaca a flexibilidade da metodologia proposta em apliações de juros e moedas.

This thesis is composed of three chapters. In all chapters, sparsity-inducing priors play a central role. The first chapter expands intraday stochastic volatility models by proposing a data-driven method for selecting the macroeconomic events more likely to impact volatility and reconnects those events with macroeconomic fundamentals. The proposed model also outperforms other models in realized volatility forecasts and portfolio allocation exercises. The second chapter leverages the sparsity-inducing properties of the Horseshoe prior to allow for the inclusion of several exogenous variables into a dynamic copula model. In an empirical application, the proposed approach identifies useful sources of information about future values of the copula parameter and, by using such variables, improves portfolio allocation. The third chapter expands stochastic volatility models by allowing for time-varying skewness without imposing it.While dynamic asymmetry may capture the likely direction of future asset returns, it comes with the risk of leading to overparameterization. The proposed approach mitigates this concern by using sparsity-inducing priors to automatically select the skewness parameter as dynamic, static, or zero in a data-driven framework. The chapter highlights the flexibility of the proposal in bond yield and currency applications.