Tez No İndirme Tez Künye Durumu
409254
Bayesian changepoint and time-varying parameter learning in regime switching volatility models / Rejim değiştiren volatilite modellerinde Bayes bazlı değişim noktası ve zamana bağlı parametre kestirimi
Yazar:MUSTAFA SERDAR YÜMLÜ
Danışman: PROF. DR. SADIK FİKRET GÜRGEN
Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
Dizin:Stokastik volatilite = Stochastic volatility
Onaylandı
Doktora
İngilizce
2015
116 s.
Bu tez, rejim değiştiren volatilite modellerinde değişim noktası tespit yöntemini kullanarak bütünleşik durumların tespiti ve parça parça zamana bağlı değişim gösteren parametreler için bir kestirim tekniği sunmaktadır. Bu yaklaşım değişim nokta sayısı bilinmeyen GARCH ve EGARCH bazlı volatilite modellerinin tahmini için bir Sıralı Monte Carlo yöntemidir. Arka yoğunlukları ve çevrimiçi tahminleri hesaplamak için modern harici parçacık filtreleme teknikleri kullanılmıştır. Bu yaklaşım, aynı zamanda bu tip volatilite modellerinde karşılaşılan ortak atalara yol bağımlılığı sorununa da otomatik olarak çözüm sağlamaktadır. Bu model daha önce İstanbul Menkul Kıymetler Borsası (İMKB) olarak bilinen Borsa İstanbul günlük getiri verisi üzerinde test edilmiştir. Volatilite modelleri için koşullu varyansın tüm parametrelerinin dinamik olarak değişim gösterdiği bir tam yapısal değişim noktası spesifikasyonu tanımlanmıştır. Sonuç olarak, önerilen yaklaşım ve modelin zaman serisini farklı rejimlere bölerek her rejime ait volatilite modeli parametrelerini çoklu değişim noktası tespit süreci ile birlikte öğrendiği ve geçmiş yöntemlere göre daha iyi bir tahmin gücü ortaya koyduğu deneylerle gösterilmiştir.
This dissertation proposes a combined state and piecewise time-varying parameter learning technique in regime switching volatility models using multiple changepoint detection. This approach is a Sequential Monte Carlo method for estimating GARCH & EGARCH based volatility models with an unknown number of changepoints. Modern auxiliary particle filtering techniques are used to calculate the posterior densities and online forecasts. This approach also automatically deals with the common ancestral path dependence problem faced in these type volatility models. The model is tested on Borsa Istanbul (BIST) formerly known as Istanbul Stock Exchange (ISE) market data using daily log returns. A full structural changepoint specification is defined in which all parameters of the conditional variance of the volatility models are dynamic. Finally, it is shown with simulation experiments that the proposed approach partitions the series into several regimes and learns the parameters of each regime's volatility model in parallel with the multiple changepoint detection process and shows better forecasting power compared to previous techniques.