Forecasting conditional covariance matrices in high-dimensional time seriesa general dynamic factor approach
Trucíos, Carlos; Mazzeu,, João H. G.; Hallin, Marc; Hotta, Luiz Koodi; Pereira, Pedro L. Valls; Zevallos Herencia, Mauricio Henrique
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
Based on a General Dynamic Factor Model with infinite-dimensional factor space and MGARCH volatility models, we develop new estimation and forecasting procedures for conditional covariance matrices in high-dimensional time series. The finite-sample performance of our approach is evaluated via Monte Carlo experiments and outperforms the most alternative methods. This new approach is also used to construct minimum one-step-ahead variance portfolios for a high-dimensional panel of assets. The results are shown to match the results of recent proposals by Engle, Ledoit, and Wolf and achieve better out-of-sample portfolio performance than alternative procedures proposed in the literature.
Ficha do documento
- Tipo
- Outro
- Ano
- 2021
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Inglês
- Acesso
- Não informado
- Identificador
- oai:repositorio.fgv.br:10438/35455
Conteúdos relacionados
- EstudoForecasting VaR and ES through Markov-switching GARCH modelsEscola de Economia de São Paulo · 2024
- EstudoRobustness and the general dynamic factor model with infinite-dimensional spaceEscola de Economia de São Paulo · 2020
- EstudoForecasting conditional covariance matrices in high-dimensional time seriesEscola de Economia de São Paulo · 2019
- EstudoMudanças de regime e persistência dos choques sobre a volatilidade para a série de preços do petróleoFundação Getulio Vargas · 2012
