麻烦楼主将目录贴出来

Contents
List of gures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
List of tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv
Notation and conventions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii
Used abbreviations and symbols . . . . . . . . . . . . . . . . . . . . . . . . . xix
Preface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxvii
Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxix
1 Introduction 1
1.1 The modeling of change . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Research objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Organization of the thesis . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Some stylized facts of weekly sector return series 7
2.1 The data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Empirical properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Thick tails . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2 Volatility clustering . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.3 Leverage eects . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.4 Volatility co-movements . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Implications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Linear Gaussian state space models and the Kalman lter 17
3.1 Basic ideas of state space modeling . . . . . . . . . . . . . . . . . . . . . 17
3.2 The state space form of a dynamic system . . . . . . . . . . . . . . . . . 19
3.3 The Kalman lter and smoother . . . . . . . . . . . . . . . . . . . . . . 20
3.3.1 Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.1.1 The general form of the Kalman lter . . . . . . . . . . 21
3.3.1.2 The steady-state Kalman lter . . . . . . . . . . . . . . 22
3.3.2 State smoothing . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3.3 Disturbance smoothing . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.3.1 Disturbance smoothing recursion . . . . . . . . . . . . . 23
3.3.3.2 Fast state smoothing . . . . . . . . . . . . . . . . . . . 24
3.3.4 Missing observations . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.5 Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.6 Initialization of lter and smoother . . . . . . . . . . . . . . . . . 25

viii Contents
3.3.7 The Kalman lter with non-Gaussian errors . . . . . . . . . . . . 27
3.4 Maximum likelihood estimation . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1 The loglikelihood function . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1.1 Prediction error decomposition . . . . . . . . . . . . . . 28
3.4.1.2 Concentrated loglikelihood . . . . . . . . . . . . . . . . 29
3.4.2 Numerical maximization . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.3 The EM algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4.4 Parameter restrictions . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Introduction of explanatory variables . . . . . . . . . . . . . . . . . . . . 32
3.5.1 Incorporation of regression eects . . . . . . . . . . . . . . . . . . 32
3.5.2 Time-varying parameter models . . . . . . . . . . . . . . . . . . . 33
3.5.2.1 The random coecient model . . . . . . . . . . . . . . 34
3.5.2.2 The random walk model . . . . . . . . . . . . . . . . . 34
3.5.2.3 The mean reverting model . . . . . . . . . . . . . . . . 35
3.5.2.4 The moving mean reverting model . . . . . . . . . . . . 36
3.5.3 Initial values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6 Model diagnostics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6.1 Residuals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6.1.1 Generalized recursive residuals . . . . . . . . . . . . . . 37
3.6.1.2 Generalized least squares residuals . . . . . . . . . . . . 37
3.6.2 Goodness of t . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.6.2.1 Prediction error variance . . . . . . . . . . . . . . . . . 38
3.6.2.2 Coecient of determination . . . . . . . . . . . . . . . . 39
3.6.2.3 Information criteria . . . . . . . . . . . . . . . . . . . . 39
3.6.3 Diagnostics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Illustration: How to specify the MMR model for estimation using SsfPack 40
4 Markov regime switching 43
4.1 Basic concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.1 Independent mixture distributions . . . . . . . . . . . . . . . . . 44
4.1.2 Markov chains . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2 The basic hidden Markov model . . . . . . . . . . . . . . . . . . . . . . 48
4.3 Parameter estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3.1 The likelihood function . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.2 Direct numerical maximization . . . . . . . . . . . . . . . . . . . 50
4.3.2.1 Forward-backward probabilities . . . . . . . . . . . . . 51
4.3.2.2 Recursive evaluation of the loglikelihood . . . . . . . . 51
4.3.3 Standard errors of ML estimates . . . . . . . . . . . . . . . . . . 52
4.4 Forecasting and decoding . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.1 Forecast distributions . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.2 Decoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.2.1 Local decoding . . . . . . . . . . . . . . . . . . . . . . . 53
4.4.2.2 State predictions . . . . . . . . . . . . . . . . . . . . . . 54
4.4.2.3 Global decoding . . . . . . . . . . . . . . . . . . . . . . 54

Contents ix
4.5 Model selection and validation . . . . . . . . . . . . . . . . . . . . . . . 56
5 Conditional heteroskedasticity models 57
5.1 Autoregressive conditional heteroskedasticity . . . . . . . . . . . . . . . 58
5.1.1 The GARCH(p; q) model . . . . . . . . . . . . . . . . . . . . . . 59
5.1.1.1 Statistical properties . . . . . . . . . . . . . . . . . . . . 60
5.1.1.2 Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.2 Nonlinear extensions . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.2.1 Exponential GARCH . . . . . . . . . . . . . . . . . . . 62
5.1.2.2 GJR-GARCH . . . . . . . . . . . . . . . . . . . . . . . 62
5.1.2.3 Testing for asymmetric eects . . . . . . . . . . . . . . 63
5.1.3 Non-Gaussian conditional densities . . . . . . . . . . . . . . . . . 64
5.1.4 Parameter estimation . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2 Stochastic volatility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.1 The basic stochastic volatility model . . . . . . . . . . . . . . . . 66
5.2.1.1 Linearized representation . . . . . . . . . . . . . . . . . 67
5.2.1.2 Statistical properties . . . . . . . . . . . . . . . . . . . . 67
5.2.2 Alternative estimation procedures . . . . . . . . . . . . . . . . . 68
5.2.2.1 Methods of moments and quasi maximum likelihood . . 68
5.2.2.2 Markov chain Monte Carlo . . . . . . . . . . . . . . . . 69
5.2.2.3 Monte Carlo likelihood . . . . . . . . . . . . . . . . . . 70
5.2.3 Ecient Monte Carlo likelihood estimation . . . . . . . . . . . . 70
5.2.3.1 The likelihood function . . . . . . . . . . . . . . . . . . 71
5.2.3.2 Importance sampling . . . . . . . . . . . . . . . . . . . 71
5.2.3.3 Filtering, smoothing and forecasting . . . . . . . . . . . 73
5.2.4 Extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2.4.1 Heavy-tailed distributed errors . . . . . . . . . . . . . . 74
5.2.4.2 Asymmetric eects . . . . . . . . . . . . . . . . . . . . . 74
5.3 Multivariate conditional heteroskedasticity . . . . . . . . . . . . . . . . . 75
5.3.1 Multivariate GARCH . . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.1.1 The vech model . . . . . . . . . . . . . . . . . . . . . . 76
5.3.1.2 The diagonal vech model . . . . . . . . . . . . . . . . . 77
5.3.1.3 The BEKK model . . . . . . . . . . . . . . . . . . . . . 77
5.3.1.4 The constant conditional correlation model . . . . . . . 78
5.3.1.5 The dynamic conditional correlation model . . . . . . . 79
5.3.2 Multivariate stochastic volatility . . . . . . . . . . . . . . . . . . 80
6 Time-varying market beta risk of pan-European sectors 83
6.1 The unconditional beta in the CAPM . . . . . . . . . . . . . . . . . . . 84
6.2 Modeling conditional betas . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.2.1 GARCH conditional betas . . . . . . . . . . . . . . . . . . . . . . 88
6.2.2 Stochastic volatility conditional betas . . . . . . . . . . . . . . . 92
6.2.3 Kalman lter based approaches . . . . . . . . . . . . . . . . . . . 94
6.2.3.1 The random walk model . . . . . . . . . . . . . . . . . 95

x Contents
6.2.3.2 The mean reverting model . . . . . . . . . . . . . . . . 96
6.2.3.3 The moving mean reverting model . . . . . . . . . . . . 100
6.2.3.4 The generalized random walk model . . . . . . . . . . . 100
6.2.4 Markov switching based approaches . . . . . . . . . . . . . . . . 105
6.3 Analysis of empirical results . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.3.1 Comparison of conditional beta estimates . . . . . . . . . . . . . 110
6.3.2 In-sample forecasting accuracy . . . . . . . . . . . . . . . . . . . 112
6.3.3 Out-of-sample forecasting accuracy . . . . . . . . . . . . . . . . . 115
6.3.3.1 Step I: Out-of-sample period of 100 weeks to compare
all conditional modeling techniques . . . . . . . . . . . 116
6.3.3.2 Step II: Out-of-sample period of ten years to identify the
overall best modeling approach . . . . . . . . . . . . . . 119
6.4 Concluding remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7 A Kalman lter based conditional multifactor pricing model 123
7.1 Factor modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.1.1 Factor taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.1.1.1 Macroeconomic factors . . . . . . . . . . . . . . . . . . 126
7.1.1.2 Fundamental factors . . . . . . . . . . . . . . . . . . . . 127
7.1.1.3 Momentum and reversal . . . . . . . . . . . . . . . . . . 128
7.1.1.4 Statistical factors . . . . . . . . . . . . . . . . . . . . . 128
7.1.2 Number of factors . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.1.3 Time-varying factor loadings . . . . . . . . . . . . . . . . . . . . 129
7.2 Specication of a conditional multifactor risk model . . . . . . . . . . . 130
7.2.1 Time series representation . . . . . . . . . . . . . . . . . . . . . . 130
7.2.2 Cross-sectional regressions . . . . . . . . . . . . . . . . . . . . . . 131
7.2.2.1 The Fama-MacBeth approach . . . . . . . . . . . . . . 131
7.2.2.2 Econometric issues . . . . . . . . . . . . . . . . . . . . . 132
7.3 The risk factors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.3.1 Macroeconomic risk variables . . . . . . . . . . . . . . . . . . . . 134
7.3.1.1 European term structure . . . . . . . . . . . . . . . . . 134
7.3.1.2 Oil price . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.3.1.3 Dollar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.3.2 Fundamental risk variables . . . . . . . . . . . . . . . . . . . . . 135
7.3.2.1 Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.3.2.2 Value-growth-spread . . . . . . . . . . . . . . . . . . . . 135
7.3.3 The market factor . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.3.4 Summary statistics . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.4 Empirical results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.4.1 Estimation of factor loadings . . . . . . . . . . . . . . . . . . . . 142
7.4.2 Out-of-sample forecasting performance . . . . . . . . . . . . . . . 146
7.4.3 Practical relevance of time-variation in factor loadings . . . . . . 147
7.4.3.1 Risk pricing . . . . . . . . . . . . . . . . . . . . . . . . 147
7.4.3.2 Portfolio management perspective . . . . . . . . . . . . 150