Identifiant pérenne de la notice : 226641988
Notice de type
Notice de regroupement
Note publique d'information : Dans cette thèse nous proposons une nouvelle approche dans le cadre des modèles d'évaluation
des actifs financiers permettant de tenir compte de deux aspects fondamentaux qui
caractérisent la volatilité latente: co-mouvement des rendements financiers conditionnellement
hétéroscédastiques et changement de régime. En combinant les modèles à facteurs conditionnellement
hétéroscédastiques avec les modèles de chaîne de Markov cachés, nous dérivons un modèle
multivarié localement linéaire et dynamique pour la segmentation et la prévision des
séries financières. Nous considérons, plus précisément le cas où les facteurs communs
suivent des processus GQARCH univariés. L'algorithme EM que nous avons développé pour
l'estimation de maximum de vraisemblance et l'inférence des structures cachées est
basé sur une version quasi-optimale du filtre de Kalman combinée avec une approximation
de Viterbi. Les résultats obtenus sur des simulations, aussi bien que sur des séries
financières sont prometteurs.
Note publique d'information : In this thesis we develop a new approach within the framework of asset pricing models
that incorporates two key features of the latent volatility: co-movement among conditionally
heteroscedastic financial returns and switching between different unobservable regimes.
By combining conditionally heteroscedastic factor models with hidden Markov chain
models we derive a dynamical local model for segmentation and prediction of multivariate
financial time series. We concentrate, more precisely on situations where the factor
variances are modelled by univariate GQARCH processes. The EM algorithm that we have
developed for the maximum likelihood estimation is based on a quasi-optimal Kalman
filter approach combined with a Viterbi approximation which yields inferences about
the unobservable path of the common factors, their variances and the latent variable
of the state process. Extensive simulation experiments and the analysis of a financial
data set show promising results.
paprika.idref.fr
data.idref.fr
Documentation
