Stochastic Volatility: Univariate and Multivariate Extensions

Les modèles de volatilité stochastique, alias SVOL, sont plus durs à estimer que les modèles traditionnels de type ARCH. La littérature récente offre des estimateurs éprouvés pour un modèle SVOL univarié de base. Ce modèle est trop contraignant pour une utilisation en économie financière. Les prévisions de volatilité qu'il produit peuvent etre biaisées, particulièrement quand la volatilité est élevée. Nous généralisons le modèle de base en y ajoutant des effets de levier par le biais d'une corrélation entre les chocs observables et de variance, et la possibilité de distributions conditionnelles à queues épaisses. Nous développons un algorithme bayésien à chaînes markoviennes de Monte Carlo. Nous développons aussi un algorithme pour l'analyse d'un modèle SVOL multivarié à facteurs. Ces estimateurs permettent une inférence en échantillon fini pour les paramètres et les volatilités. Nous documentons les performances de l'estimateur et montrons que les extensions sont nécessaires. Nous testons la normalité des distributions conditionnelles. Cette méthode est mise en oeuvre sur plusieurs séries financières. Il y a une forte évidence (1) de distributions conditionnelles à queues épaisses, et (2) d'effets de levier pour les actifs financiers. Les résultats sont robustes et ont d'importantes implications sur les décisions fondées sur les prédictions de volatilité, particulièrement pour la gestion de risques.Stochastic volatility models, aka SVOL, are more difficult to estimate than standard time-varying volatility models (ARCH). Advances in the literature now offer well tested estimators for a basic univariate SVOL model. However, the basic model is too restrictive for many economic and finance applications. The use of the basic model can lead to biased volatility forecasts especially around crucial periods of high volatility. We extend the basic SVOL needs to allow for the leverage effect, through a correlation between observable and variance errors, and fat-tails in the conditional distribution. We develop a Bayesian Markov Chain Monte Carlo algorithm for this extended model. We also provide an algorithm to analyze a multivariate factor SVOL model. The method simultaneously performs finite sample inference and smoothing. We document the performance of the estimator and show why the extensions are warranted. We provide the researcher with a range of model diagnostics, such as the identification of outliers for stochastic volatility models or the assessment of the normality of the conditional distribution. We implement this methodology on a number of univariate financial time series. There is strong evidence of (1) non-normal conditional distributions for most series, and (2) a leverage effect for stock returns. We illustrate the robustness of the results to the choice of the prior distributions. These results have policy implications on decisions based upon prediction of volatility, especially when dealing with tail prediction as in risk management