Me pregunto si primero filtro los efectos de AR(1) (modelo autorregresivo con desfase 1) de las series temporales univariadas y luego ajusto el modelo de volatilidad estocástica ¿el procedimiento anterior introduce algún sesgo en el primer o segundo paso (primer paso - ajuste de AR(1), segundo paso - ajuste del modelo SV)? Estoy especialmente interesado en el sesgo potencial en el ajuste del modelo AR(1). Esta pregunta me ha venido a la mente después de usar el paquete 'stochvol' R, donde no puedo añadir la parte autorregresiva al modelo de volatilidad estocástica.
Respuesta
¿Demasiados anuncios?
michael aubert
Puntos
6494
Aunque es una extensión sencilla, me llevó un tiempo (¿un año? ¡caramba!); pero ahora puedes incorporar fácilmente el ar(1) bayesiano (o más en general, la regresión bayesiana) en la estimación conjunta utilizando designmatrix = "ar(1)"
como un argumento para svsample
. No está bien documentado todavía (excepto en los archivos de ayuda), pero espero que sea fácil de usar.
Del archivo de ayuda de svsample
:
## Another example, this time with an AR(1) structure for the mean
## Not run:
data(exrates)
y <- exrates$USD
## Fit AR(1)-SV model to EUR-USD exchange rates
res <- svsample(y, designmatrix = "ar1")
## Use predict.svdraws to obtain predictive volatilities
ahead <- 100
predvol <- predict(res, steps = ahead)
## Use arpredict to obtain draws from the posterior predictive
preddraws <- arpredict(res, predvol)
## Calculate predictive quantiles
predquants <- apply(preddraws, 2, quantile, c(.1, .5, .9))
## Visualize
ts.plot(y, xlim = c(length(y) - ahead, length(y) + ahead),
ylim = range(predquants))
for (i in 1:3) {
lines((length(y) + 1):(length(y) + ahead), predquants[i,],
col = 3, lty = i
}
## End(Not run)
¡Por favor, avísame si encuentras algún problema!