Copulas have become one of most popular tools used in modelling the dependencies among financial time series. The main aim of the paper is to formally assess the relative explanatory power of competing bivariate Copula-AR-GARCH models, which differ in assumptions on the conditional dependence structure represented by particular copulas. For the sake of comparison the Copula-AR-GARCH models are estimated using the maximum likelihood method, and next they are informally compared and ranked according to the values of the Akaike (AIC) and of the Schwarz (BIC) information criteria. We apply these tools to the daily growth rates of four sub-indices of the stock index WIG published by the Warsaw Stock Exchange. Our results indicate that the informal use of the information criteria (AIC or BIC) leads to very similar ranks of models as compared to those obtained by the use of the formal Bayesian model comparison.
PL
Kopule stały się jednym z popularnych narzędzi modelowania zależności między szeregami czasowymi, pochodzącymi z rynków finansowych. Głównym celem pracy jest formalne, bayesowskie porównanie mocy wyjaśniającej dwuwymiarowych modeli Copula-AR-GARCH, różniących się strukturą zależności warunkowych, opisaną przez poszczególne kopule. Dla porównania dokonano również estymacji modeli Copula-AR-GARCH metodą największej wiarygodności, a następnie zbudowano ranking modeli na podstawie kryteriów informacyjnych Akaikego (AIC) oraz Schwarza (BIC). Modele CopulaAR-GARCH zostały wykorzystane do opisu zmienności i zależności dziennych stóp zwrotu subindeksów indeksu WIG. Wyniki wskazały na dużą przydatność bardzo prostych i nieformalnych metod porównywania modeli Copula-AR-GARCH. Dla sześciu par szeregów czasowych rankingi modeli uzyskane metodami formalnymi (w ujęciu bayesowskim) i metodami ad hoc (poprzez AIC i BIC) okazały się bardzo zbliżone, a w wielu przypadkach identyczne.
Celem artykułu było formalne porównanie mocy wyjaśniającej dwuwymiarowych bayesowskich modeli Copula-GARCH z warunkowym skośnym oraz symetrycznym rozkładem t-Studenta na przykładzie danych pochodzących z polskiego rynku finansowego. Przedmiotem porównania były 22 modele Copula-AR(1)-GARCH(1,1) różniące się kopulą oraz występowaniem skośności rozkładów brzegowych. W kontekście rozważanych modeli opracowane zostały metody Monte Carlo z funkcją ważności w celu uzyskania charakterystyki rozkładów a posteriori oraz wartości brzegowych gęstości macierzy obserwacji. Dla analizowanych danych empirycznych bardziej prawdopodobne a posteriori okazały się modele z symetrycznymi warunkowymi rozkładami t-Studenta. Dla logarytmicznych dziennych stóp zwrotu subindeksów indeksu WIG najwyższe prawdopodobieństwo a posteriori uzyskał model z kopulą Claytona-Gumbela. Zastosowanie skośnego rozkładu t-Studenta nie poprawiło mocy wyjaśniającej modeli Copula‑GARCH.
EN
The main aim of the paper is to formally assess the relative explanatory power of competing bivariate Copula-AR-GARCH models with symmetric and skewed Student t distributions on the example of data from the The Warsaw Stock Exchange. The subject of comparison were 22 Copula-AR(1)-GARCH (1,1) models, which differed in assumptions on the copula and the occurrence of skewness in marginal distributions. In the context of the models under consideration, Monte Carlo Important Sampling methods were used to estimate the characteristics of a posteriori distribution and the marginal density of the observation matrix. For analysing empirical data, a posteriori models turned out to be ones more likely to have symmetrical conditional t-Student distributions. For the logarithmic daily growth rates of the two sub-indicies of the stock index WIG, the highest a posteriori probability was obtained by the Clayton-Gumbel copula model. The use of the skewed Student's t-distribution did not improve the explanatory power of the Copula-GARCH models.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.