Quantifying both historic and future volatility is key in portfolio risk management. This note presents and compares estimation strategies for volatility estimation in an estimation universe consisting on 28 629 unique companies from February 2010 to April 2021, with 858 different portfolios. The estimation methods are compared in terms of how they rank the volatility of the different subsets of portfolios. The overall best performing approach estimates volatility from direct entity returns using a GARCH model for variance estimation.
Vast Volatility Matrix Estimation using High Frequency Data for Portfolio Selection
Fan et al(2008)证明,在总暴露约束下的投资组合分配是一种有效的方法,可以提高大量资产中选定投资组合的效率和稳定性。所需的高维波动率矩阵可以通过使用高频金融数据来估计。这使得我们能够更好地适应大量资产之间的局部波动率和局部相关性,并显着增加估计波动率矩阵的样本量。本文从投资组合的角度研究了高维高频数据下波动率矩阵的估计问题。具体而言,我们提出了使用Barndorff-Nielsen等人(2008)提出的“成对刷新时间”和“全刷新时间”方法来估计巨大的协方差矩阵,并比较了它们在投资组合选择中的优点。我们还建立了估计值的集中不等式,保证了在总暴露约束下的大规模资产配置中估计的波动率矩阵具有理想的性质。通过精心设计的模拟进行了广泛的数值研究。与基于低频日数据的方法相比,该方法能够捕捉到时变波动率和相关性的最新趋势,从而为下一时段的投资组合配置提供更准确的指导。在我们的模拟和实证研究中,使用高频数据的优势是显着的,其中包括50个模拟资产和道琼斯工业平均指数的30只成分股。
Efficient Bayesian Inference for Multivariate Factor Stochastic Volatility Models
通过因子随机波动模型讨论了多元时间序列中动态协方差阵的有效贝叶斯估计。特别地,我们提出了两种交织策略(Yu和Meng,Journal of Computational and Graphical Statistics,20(3),531-570,2011)以显著加速标准MCMC方法的收敛和混合。类似于边际数据增强技术,建议的加速程序利用非可识别性问题,经常出现在因素模型。我们的新交织策略很容易实现,几乎没有额外的计算成本,然而,它们可以提高估计效率的几个数量级,如在广泛的模拟研究中所示。最后,我们的算法应用到26维汇率数据集说明了优越的性能,新的方法对现实世界的数据。