Access

You are not currently logged in.

Access JSTOR through your library or other institution:

login

Log in through your institution.

Journal Article

Forecasting Comparison of Long Term Component Dynamic Models for Realized Covariance Matrices

Luc Bauwens, Manuela Braione and Giuseppe Storti
Annals of Economics and Statistics
No. 123/124, SPECIAL ISSUE ON RECENT DEVELOPMENTS IN FINANCIAL ECONOMETRICS (December 2016), pp. 103-134
Published by: GENES on behalf of ADRES
DOI: 10.15609/annaeconstat2009.123-124.0103
Stable URL: http://www.jstor.org/stable/10.15609/annaeconstat2009.123-124.0103
Page Count: 32
  • More info
  • Add to My Lists
  • Cite this Item
Forecasting Comparison of Long Term Component Dynamic Models for Realized Covariance Matrices
Preview not available

Abstract

Novel model specifications that include a time-varying long-run component in the dynamics of realized covariance matrices are proposed. The modelling framework allows the secular component to enter the model either additively or as a multiplicative factor, and to be specified parametrically, using a MIDAS filter, or non-parametrically. Estimation is performed by maximizing a Wishart quasi-likelihood function. The one-step ahead forecasting performance is assessed by means of three approaches: model confidence sets, minimum variance portfolios and Value-at-Risk. The results show that the proposed models outperform benchmarks incorporating a constant long-run component both in and out-of-sample. JEL: C13, C32, C58 / KEY WORDS: Realized Covariance, Component Dynamic Models, MIDAS, Minimum Variance Portfolio, Model Confidence Set, Value-at-Risk. RÉSUMÉ. Des spécifications nouvelles sont proposées afin de modéliser la dynamique de matrices de covariance, en incluant une composante de long terme qui varie au cours du temps. La composante séculaire peut apparaître de façon additive ou multiplicative, et elle peut ětre paramétrique, avec une filtre MIDAS, ou non-paramétrique. L'estimation est faite en maximisant une fonction de quasi-vraisemblance de type Wishart. La performance des modèles pour la prévision est évaluée par trois approches: l'ensemble de confiance des modèles, l'analyse de portefeuilles de variance minimale, et celle de la valeur à risque (VaR). Les résultats indiquent que les modèles proposés surpassent ceux à composante de long terme constante, à la fois au cours et en dehors de la période d'estimation.

Page Thumbnails