Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2005

italiano - english
Unità di Ricerca
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione geografica
Bibliografia
Ait-Sahalia, Y. (2002), Maximum Likelihood Estimation of Discretely Sampled Diffusions: A Closed-Form Approach, Econometrica, 70, 223-262.
Amsler, C. & P. Schmidt (1999): Tests of short memory with thick tailed errors, paper presentato alla Cowles Foundation Econometrics Conference New Developments in Time Series Econometrics.
Baltagi, B.H. & Kao, C. (2000), Nonstationary panels, cointegration in panels & dynamic panels: A survey, Advances in Econometrics, 15, 7-51.
Bandi, F., P. Phillips (2000), Fully Nonparametric Estimation of Scalar Diffusion Models, Econometrica, 71, 241–283.
Banerjee, A. (1999), Panel Data Units & Cointegration: An overview, Oxford Bulletin of Economics & Statistics, 61, 607-629.
Banerjee, A., Marcellino M. & Osbat C. (2002), Some cautions on the use of Panel Methods for Integrated Series of Macro-Economic Data, mimeo, EUI, Italy.
Brandt, M.,P. Santa Clara (2002), Simulated Likelihood Estimation of Diffusions with an Application to Exchange Rate Dynamics in Incomplete Markets, Journal of Financial Economics, 63, 161-210.
Brandt, M.W. & Q. Kang (2003): On the relationship between the conditional mean & volatility of stock returns: A latent VAR approach, forth. in Journal of Financial Economics.
Carrasco, M., M. Chernov, J.-P. Florens, E. Ghysels (2002), Estimating Diffusions with a Continuum of Moment Conditions, mimeo, University of Rochester.
Chen, X., L. Hansen, J. Scheinkman (1998), Shape preserving estimation of diffusion, d.p., Dept. of Economics, University of Chicago.
Chernov, M., A.R. Gallant, E. Ghysels & G. Tauchen (2003): Alternative models for stock price dynamics, Journal of Econometrics, 116, 225-257
Chib, S., F. Nardari & N. Shephard (2002), Markov Chain Monte Carlo Methods for Stochastic Volatility Models, Journal of Econometrics 108, 281-316.
Conley, T., L. Hansen, E. Luttmer, J. Scheinkman (1997), Short-Term Interest Rates as Subordinated Diffusions, Review of Financial Studies, 10, 525-577.
Darolles, S., J.-P. Florens, C. Gouriéroux (1998), Kernel based nonlinear canonical analysis, d.p. n. 9855, CREST.
Duffie, D. & K. Singleton (1995), Simulated Moments Estimation of Markov Models of Asset Prices, Econometrica, 61, 929-952.
Duffie, D. & P. Glynn (2001), Estimation of Continuous-Time Markov Processes Sampled at Random Time Intervals, w.p., Graduate School of Business, Stanford University.
Durham, G. & R. Gallant (2001), Numerical Techniques for Maximum Likelihood Estimation of Continuous-Time Diffusion Processes, Journal of Business & Economic Statistics, 20, 297-316.
Eraker, B. (2001), MCMC Analysis of Diffusion Models with Application to Finance, Journal of Business & Economic Statistics, 19, 177-191.
Gallant, R. , G. Tauchen (1996), Which Moments to Match?, Econometric Theory, 12, 657-681.
Ghysels, E., A. C. Harvey & E. Renault (1996): Stochastic volatility, in Rao C. R. & G. S. Maddala (eds), Statistical Methods in Finance, 119-191.
Gouriéroux, C., A. Monfort, E. Renault (1993), Indirect Inference, Journal of Applied Econometrics, 8, 85-118.
Hsiao, C., Pesaran M.H. & Tahmiscioglu A.K. (1999), Bayes estimation of short-run coefficients in dynamic panel data models, in C. Hsiao, K. Lahiri, L.F. Lee & M.H. Pesaran, eds., Analysis of Panels & Limited Dependent Variable Models. Cambridge University Press: Cambridge, 268-296.
Johannes, M., N. Polson & J. Stroud (2002): Nonlinear filtering of stochastic differential equations with jumps, Wharton School, University of Pennsylvania, w.p..
Kao, C. & Chiang, M.H. (2000), On the estimation & inference of a cointegrated regression in panel data, Advances in Econometrics, 15, 179-222.
Liu, J. & M. West (2001), Combined Parameter & State Space Estimation in Simulation-Based Filtering, in A. Doucet, N. de Freitas & N. Gordon, eds, `Sequential Monte Carlo Methods in Practice', Springer, New York.
Lo, A. (1988), Maximum Likelihood Estimation of Generalized Ito Processes with Discretely Sampled Data, Econometric Theory, 4, 231-247.
Pan, J. (2002), The jump-risk premia implicit in options: evidence from an integrated time-series study, Journal of Financial Economics, 63, 3-50, 2002.
Pastorello, S., V. Patilea, E. Renault (2003), Iterative & recursive estimation in structural nonadaptive models, Journal of Business & Economic Statistics, 21, n. 4, 449-509, with discussion.
Pedersen, A. (1995), A New Approach to Maximum Likelihood Estimation for Stochastic Differential Equations Based on Discrete Observations, Scandinavian Journal of Statistics, 22, 55-71.
Pedroni, P. (2000), Fully modified OLS for heterogeneous cointegrated panels, Advances in Econometrics, 15, 93-130.
Pedroni, P. (2001), Purchasing power parity tests in cointegrated panels, The Review of Economics & Statistics, 83, 727-731.
Peiro', A. (1999): Skewness in financial returns, Journal of Banking & Finance, 1999, 23, 847-862.
Pesaran, M. H., & Smith, R. P. (1995),Estimating Long-Run Relationships From Dynamic Heterogeneous Panels, Journal of Econometrics, 68, 79-113.
Pesaran, M. H., Shin, Y. & Smith, R. P. (1999),Pooled Mean Group Estimation of Dynamic Heterogeneous Panels, Journal of the American Statistical Association, 94, 621-634, Theory & Methods.
Phillips, P. C. B. & Sul, D. (2003), Dynamic panel estimation & homogeneity testing under cross section dependence, Econometrics Journal, 6, 217-259.
Phillips, P.C.B. & Moon, H. (1999), Linear regression limit theory for nonstationary panel data, Econometrica, 67, 1057-1111.
Pitt, M. & N. Shephard (1999): Filtering Via Simulation: Auxiliary Particle Filter, Journal of the American Statistical Association 94, 590-599.
Poulsen, R. (1999), Approximate Maximum Likelihood Estimation of Discretely Observed Diffusion Processes, w.p. n. 29, CAF, Aarhus School of Business, University of Aarhus.
Richard, J.F., W. Zhang (1998), Efficient High-Dimensional Monte Carlo Importance Sampling, mimeo, University of Pittsburgh.
Stanton, R. (1997), A Nonparametric Model of Term Structure Dynamics & the Market Price of Interest Rate Risk, Journal of Finance, 52, 1973-2002.
Taylor, S. J. (1994): Modelling stochastic volatility: a review & comparative study, Mathematical Finance, 4, 183-204.
Tsung-Wu Ho (2002), The Forward Rate Unbiasedness Hypothesis revisited, Applied Financial Economics, 12, 799-804.
Parole Chiave
ECONOMETRIA; MERCATI FINANZIARI; MODELLI CON VARIABILI LATENTI; MODELLI A TEMPO CONTINUO E DISCRETO; MODELLI PER DATI DI PANEL NON STAZIONARI; METODI DI STIMA CLASSICI E BAYESIANI

Metodi inferenziali classici e bayesiani in classi di modelli econometrici per la finanza

Università degli Studi di Padova
Abstract
Il programma di ricerca si propone di affrontare alcuni degli aspetti metodologici ed empirici piu' rilevanti dell'analisi quantitativa dei mercati finanziari.

In base alle peculiarita' ed agli interessi di ricerca di ciascuna unita' il presente progetto individua cinque linee di studio sulle quali le tre unita' locali convogliano risorse ed interessi di ricerca.

1. Stima di modelli dinamici a fattori latenti per la valutazione delle opzioni e per l'allocazione del portafoglio.

2. Analisi bayesiana di modelli per dati di panel non stazionari con applicazioni sia alla verifica dell'ipotesi di non distorsione del tasso di cambio a termine sia allo studio degli equilibri di lungo periodo di portafogli con profili di rischio "simili".

3. L'approccio di Efficient Importance Sampling per la stima di processi multivariati a traiettorie continue in presenza di variabili latenti.

4. Studio delle proprieta' in campioni finiti della stima "latent backfitting" per modelli con variabili latenti.

Queste linee di ricerca saranno portate avanti sia sviluppando gli aspetti di metodologia econometrica ad esse connesse sia analizzando empiricamente dati reali. Sia dal punto di vista metodologico sia da quello empirico vengono seguiti diversi approcci metodologici alla statistica. Infatti i modelli dinamici con piu' fattori latenti ed i modelli per dati di panel non stazionari verranno studiati ed >>>

Coordinatore Scientifico del Programma di Ricerca
Nunzio CAPPUCCIO Università degli Studi di PADOVA
Obiettivo del Programma di Ricerca
Questo programma di ricerca riunisce una serie di studiosi che da tempo si occupano di temi di econometria dei mercati finanziari, sotto l'aspetto sia metodologico sia empirico. Nel programmare la ricerca sono emersi quattro principali filoni.

1. Modelli dinamici con fattori latenti per la valutazione delle opzioni e per l'allocazione dinamica del portafoglio.

I modelli dinamici con fattori latenti costituiscono la base di molti modelli per l'analisi quantitativa dei mercati finanziari. L'obiettivo di questo filone di studio ha lo scopo di utilizzarli per trattare due argomenti di fondamentale importanza dal punto di vista delle applicazioni pratiche: il pricing delle opzioni e la costruzione di portafogli ottimali dinamici. Pur essendo due argomenti distinti, entrambi possono essere affrontati con un approccio basato sui metodi Monte Carlo sequenziali. Infatti, in entrambi e' presente il problema del trattamento congiunto della stima dei parametri e della previsione dei fattori latenti.
L'approccio sequenziale Monte Carlo, come viene indicato nel progetto dell'unità di Padova, è particolarmente utile per risolvere questo problema, tenendo conto anche della metodologia bayesiana che si vuole adottare.

2.Analisi bayesiana di modelli per dati di panel non stazionari con applicazioni sia alla verifica dell'ipotesi di non distorsione del tasso di cambio a termine sia allo studio degli equilibri di lungo periodo di >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
La sempre maggiore attenzione rivolta dalla comunità scientifica nazionale ed internazionale all'analisi quatitativa dei mercati finanziari ha avuto come conseguenza notevoli sviluppi sia nella specificazione di modelli econometrici specifici al campo finanziario sia nello studio di procedure di stima che permettessero l'implementazione empirica di tali modelli. Questo progetto di ricerca affronta entrambi questi temi, affrontandoli da punti di vista diversi, ma complementari.

1. Stima di modelli dinamici a fattori latenti

I modelli dinamici a fattori latenti trovano importanti applicazioni in ambito finanziario. Data la loro natura tipicamente non lineare e non completamente osservabile sorgono diversi problemi per la loro stima e per il loro utilizzo in ambito previsionale. Una soluzione al problema della stima e' quella di ricorrere ad algoritmi di simulazione di tipo Monte Carlo, tra cui le procedure Markov Chain Monte Carlo ed i metodi Monte Carlo sequenziali.

Metodi Markov Chain Monte Carlo (MCMC) sono stati applicati con successo a modelli con volatilita' stocastica per descrivere le serie storiche del sottostante ( Jacquier et al. (1994), Kim et al. 1998), Jacquier et al. (2004), Eraker et al. (2003)), a modelli per la struttura a termine dei tassi d'interesse (Lamoureux e Witte (2002)), e a modelli per la valutazione delle opzioni (Eraker (2004)).

Questi algoritmi possono risultare computazionalmente >>>