Alessandra AMENDOLA | Projects

TARGETING ITERATIVO PER MODELLI DI COVARIANZA REALIZZATA A COMPONENTI

Nell'ambito del progetto ci si propone di risolvere i problemi legati alla stima di massima verosimiglianza di modelli MMRe DCC di elevata dimensione proponendo delle procedure di stima iterative ispirate al correlation targeting di Engle (2002). Nel caso del MMReDCC, infatti, il correlation targeting non può essere immediatamente applicato a causa della natura latente della componente di lungo periodo (trend) del modello.Al fine di aggirare il problema descritto, diverse soluzioni sono implementabili. La prima consiste nel sostituire, ai fini della stima della matrice di intercette presente nella parametrizzazione MIDAS della componente di trend, una sua stima basata sull'impiego di una proxy non distorta della componente di trend, ottenuta ad esempio dall'applicazione di un Kernel smoother (come in Hafner e Linton, 2010, Journal of Econometrics). La procedura potrebbe poi essere iterata al fine di migliorarne l'efficienza. Una soluzione alternativa consiste nell'utilizzare un algoritmo di stima di tipo switching, che partendo da un valore iniziale opportunamente scelto della componente di lungo periodo, massimizzi iterativamente la funzione di verosimiglianza del modello in maniera blockwise. Ad ogni iterazione l'intercetta del trend viene sostituita da una sua stima dei momenti basata sull'ultima versione stimata della componente di medio-lungo periodo.L'efficienza delle soluzioni proposte verrà valutata in maniera comparativa attraverso uno studio di simulazione Monte Carlo. La loro efficacia sul piano finanziario verrà invece valutata attraverso delle applicazioni a datasets reali.