Advances in non linear models for time series: methods and applications to economic and financial data

Quando i modelli lineari falliscono di spiegare il comportamento dinamico delle serie storiche finanziarie ed economiche, l’attenzione del ricercatore deve rivolgersi al mondo dei modelli non lineari. L’intento principale di questo lavoro è quello di sviluppare nuove metodologie che possano essere utili per spiegare l’evoluzione nel tempo sia di indicatori economici sia di strumenti finanziari. Nel secondo capitolo, i modelli Markov regime switching, ampiamente discussi in lette- ratura, sono estesi per permettere alle probabilità di transizione di evolvere nel tempo in accordo con un meccanismo di aggiornamento guidato dalle osservazioni. Attraverso un ap- profondito studio di simulazione, siamo abili di mostrare la capacità del nuovo modello di replicare diversi andamenti dinamici nelle probabilità di transizione. Un’analisi empirica è condotta sul tasso di crescita della produzione industriale statunitense. Nel terzo capitolo, la nuova metodologia è adattata per modellare efficacemente i prezzi del mercato elettrico. I modelli a cambio di regime sono stati usati ampiamente in questo contesto perchè sono in grado di cogliere i picchi che influenzano l’evoluzione temporale dei prezzi energetici. Dal momento che la presenza di questi picchi non è omogenea nel tempo, una catena di Markov latente e con probabilità di transizione dinamiche può essere utilizzata con successo. In particolare, variabili esogene possono essere impiegate per arricchire la dinamica delle probabilità di transizione. Ad esempio, l’informazione relativa al margine di riserva previsto e quella relativa alla domanda prevista possono essere incluse nel nostro modello migliorandone l’abilità descrittiva. Nel quarto capitolo, proponiamo un nuovo modello semi-nonparametrico per descrivere accuratamente la volatilità dei rendimenti finanziari. Attraverso uno studio di simulazione, abbiamo investigato le proprietà dello stimatore da noi proposto in campioni finiti, sia quan- do il modello è specificato correttamente sia quando non lo è. In entrambi i casi, la forma funzionale della volatilità è stimata consistentemente anche quando il modello non è corret- tamente specificato. Da una prospettiva empirica, caratteristiche dei rendimenti finanziari quali l’effetto asimmetrico di shock negativi e positivi sulla futura volatilità e l’influenza delle condizione del mercato nell’evoluzione della volatilità possono essere colte dal nostro modello.