English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

espanolEl creciente interes en el estudio de la volatilidad para series de instrumentos financieros nos lleva a plantear una metodologia basada en la versatilidad de los metodos Monte Carlo Secuencial (MCS) para la estimacion de los estados del modelo de volatilidad estocastica general (MVEG). En este trabajo se propone una metodologia basada en la estructura espacio estado aplicando tecnicas de filtrado como es el caso del filtro auxiliar de particulas para la estimacion de la volatilidad subyacente del sistema. Adicionalmente, se propone utilizar un algoritmo Monte Carlo por cadenas de Markov (MCMC), como es el muestreador de Gibbs para la estimacion de los parametros. La metodologia es ilustrada usando una serie de retornos de datos simulados, y la serie de retornos correspondiente al indice de precio Standard and Poor’s 500 (S&P 500) para el periodo 1995−2003. Los resultados evidencian que la metodologia propuesta permite explicar adecuadamente la dinamica de la volatilidad cuando existe una respuesta asimetrica de esta ante un shock de diferente signo, concluyendo que los cambios bruscos en los retornos corresponden a valores altos en la volatilidad. EnglishThe growing interest in the study of volatility for series of financial instruments leads us to propose a methodology based on the versatility of the Sequential Monte Carlo (SMC) methods for the estimation of the states of the general stochastic volatility model (GSVM). In this paper, we proposed a methodology based on the state space structure applying filtering techniques such as the auxiliary particles filter for estimating the underlying volatility of the system. Additionally, we proposed to use a Markovchain Monte Carlo (MCMC ) algorithm, such as is the Gibbs sampler for the estimation of the parameters. The methodology is illustrated through a series of returns of simulated data, and the series of returns corresponding to the Standard and Poor’s 500 price index (S&P 500) for the period 1995 − 2003. The results show that the proposed methodology allows to adequately explain the dynamics of volatility when there is an asymmetric response of this to a shock of a different sign, concluding that abruptchanges in returns correspond to high values in volatility.

Estimación de modelos de volatilidad estocástica vía filtro auxiliar de partículas