Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

1. Enunciato del Problema

Il documento affronta due sfide principali nella modellazione finanziaria e nell'inferenza statistica:

1. Limitazioni dei modelli univariati: Sebbene la distribuzione Generalizzata Asimmetrica di Laplace (GAL), nota anche come distribuzione Variance-Gamma, sia ampiamente utilizzata per modellare i rendimenti delle attività grazie alla sua capacità di catturare code pesanti e asimmetria, è tipicamente studiata in un contesto univariato. In questo contesto, la variabile gamma di miscelazione (che rappresenta la volatilità stocastica o il tempo commerciale) non è osservata, rendendo la Massima Verosimiglianza (MLE) complessa e computazionalmente onerosa.
2. Gestione della volatilità osservata: In molti contesti finanziari, gli indici di volatilità (come il VIX) sono osservati insieme ai rendimenti delle attività. I modelli standard di volatilità stocastica trattano spesso la volatilità come una variabile latente (nascosta), richiedendo tecniche di filtraggio complesse (ad esempio, Modelli a Markov Nascosti). Gli autori cercano un quadro in cui sia il rendimento che il proxy della volatilità siano modellati congiuntamente come variabili casuali osservabili.

2. Metodologia: Il modello BGGL

Gli autori introducono la distribuzione Gamma-Generalizzata di Laplace Bivariata (BGGL). Si tratta di un'estensione bivariata del modello GAL standard in cui la variabile gamma di miscelazione è osservata.

• Rappresentazione Stocastica: Sia $Z \sim N(0,1)$ e $X \sim \text{GAM}(\alpha, \beta)$ indipendenti. Il vettore casuale $(X, Y)$ è definito come:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  Qui, $X$ rappresenta il proxy osservato della volatilità (o il tempo commerciale), e $Y$ rappresenta il rendimento dell'attività.
• Densità Congiunta: La funzione di densità di probabilità congiunta (PDF) di $(X, Y)$ è derivata esplicitamente. Si dimostra che la distribuzione condizionata $Y|X$ è Gaussiana, mentre la distribuzione marginale di $X$ è Gamma e quella marginale di $Y$ è GAL.
• Struttura della Famiglia Esponenziale: Gli autori dimostrano che la famiglia BGGL è una famiglia esponenziale curva. Sebbene abbia 5 parametri ($\alpha, \beta, \delta, \mu, \sigma$), le sue statistiche sufficienti si estendono su uno spazio a 6 dimensioni. Questa struttura non standard è cruciale per comprendere il comportamento degli stimatori.
• Informazione di Fisher: Il documento deriva la Matrice di Informazione di Fisher (FIM). Una scoperta chiave è che per il parametro di forma $\alpha \le 1$, la FIM diventa singolare (infinita) per certi parametri (specificamente relativi a $\delta$), indicando un comportamento asintotico non standard.

3. Contributi Chiave

Il documento apporta tre contributi principali teorici e metodologici:

1. Massima Verosimiglianza (MLE) Semplificata:
   A differenza del modello GAL univariato, dove la MLE richiede l'ottimizzazione numerica di una funzione di verosimiglianza complessa, la formulazione bivariata permette soluzioni esplicite e in forma chiusa per i parametri di posizione ($\delta$), asimmetria ($\mu$) e scala ($\sigma$).

   • Gli stimatori MLE per $\delta$ e $\mu$ corrispondono esattamente agli stimatori dei Minimi Quadrati in un modello di regressione lineare ponderata (nello specifico, una regressione senza intercetta in cui la varianza dell'errore è proporzionale a $X$).
   • Gli stimatori MLE per i parametri gamma ($\alpha, \beta$) sono derivati dalla distribuzione marginale di $X$ e sono disponibili in forma chiusa (coinvolgendo la funzione digamma).

2. Teoria Asintotica Non Standard:
   Gli autori stabiliscono che i tassi di convergenza degli stimatori MLE dipendono criticamente dal parametro di forma $\alpha$ della distribuzione gamma di miscelazione:

   • Caso $\alpha > 1$: Gli stimatori sono asintoticamente normali con il tasso di convergenza standard $\sqrt{n}$.
   • Caso $\alpha = 1$: Lo stimatore $\hat{\delta}$ converge a un tasso di $\sqrt{n \ln n}$, e la distribuzione limite rimane Gaussiana ma con una struttura di varianza diversa.
   • Caso $\alpha < 1$: Il tasso di convergenza per $\hat{\delta}$ accelera fino a $n^{1/(2\alpha)}$ (più veloce di $\sqrt{n}$). Crucialmente, la distribuzione limite è non Gaussiana, coinvolgendo un subordinatore stabile ($\xi_\alpha$). Questo è un fenomeno raro in cui la MLE converge più velocemente del tasso standard ma perde la normalità.

3. Quadro di Applicazione Finanziaria:
   Il documento propone un modo innovativo per modellare congiuntamente i rendimenti azionari e la volatilità. Invece di trattare la volatilità come uno stato latente, trasformano l'indice di volatilità osservato (VIX) in una variabile distribuita come Gamma $X$ e modellano direttamente la coppia $(X, Y)$. Questo evita la necessità di modelli a Markov nascosti.

4. Risultati Chiave

• Proprietà degli Stimatori:

  • Gli stimatori $\hat{\delta}_n$ e $\hat{\mu}_n$ sono non distorti (unbiased).
  • Per $\alpha > 1$, la distribuzione congiunta degli stimatori è asintoticamente multivariata normale con una matrice di covarianza a blocchi diagonali, implicando indipendenza asintotica tra i parametri gamma e i parametri di regressione.
  • Per $\alpha \le 1$, gli stimatori $\hat{\delta}_n$ e $\hat{\mu}_n$ diventano asintoticamente indipendenti, una proprietà non presente nel caso $\alpha > 1$.

• Studio di Simulazione:
  Le simulazioni con dimensioni campionarie $n=50$ e $n=500$ confermano i risultati teorici.

  • Per $\alpha = 1$ e $\alpha = 0.25$, l'Errore Quadratico Medio (RMSE) per $\delta$ è molto basso, coerente con i tassi di convergenza più rapidi.
  • Per $\alpha = 2$ e $\alpha = 5$, l'RMSE per $\delta$ aumenta, riflettendo il tasso di convergenza più lento $\sqrt{n}$ e l'influenza delle code pesanti nella distribuzione di miscelazione.

• Applicazione Empirica:
  Il modello è stato applicato a dati settimanali (2019–2024) per tre principali indici statunitensi: S&P 500, DJIA e NASDAQ 100, accoppiati con i rispettivi indici di volatilità (VIX, VXD, VXN).

  • Risultati: Il modello BGGL ha fornito un adattamento soddisfacente per tutti e tre gli indici.
  • Diagnostica: I grafici Quantile-Quantile (QQ) hanno mostrato che i residui (estratti dalla regressione) erano ben approssimati da una distribuzione normale standard, e la variabile di volatilità trasformata $X$ si adattava bene alla distribuzione Gamma.
  • Interpretazione: Gli autori interpretano la variabile $X$ come volatilità "inaspettata" o "di sorpresa" (la deviazione della volatilità corrente dall'aspettativa autoregressiva), permettendo al modello di catturare la dinamica congiunta di rendimenti e shock di volatilità utilizzando assunzioni IID piuttosto che complesse dipendenze dalle serie temporali.

5. Significato

• Efficienza Computazionale: Osservando la variabile di miscelazione, il documento trasforma un difficile problema di ottimizzazione non lineare in un semplice problema di regressione lineare, rendendo la stima dei parametri significativamente più trattabile.
• Approfondimento Teorico: La scoperta di tassi di convergenza super-rapidi ($n^{1/(2\alpha)}$) associati a limiti non gaussiani per $\alpha < 1$ aggiunge un nuovo caso significativo alla letteratura sul comportamento asintotico non standard nella MLE.
• Modellazione Finanziaria Pratica: L'approccio offre un'alternativa parsimoniosa ai complessi modelli di Volatilità Stocastica (SV) e GARCH. Trattando la volatilità come un input osservabile piuttosto che uno stato latente, semplifica la modellazione della distribuzione congiunta di rendimenti e volatilità, essenziale per la gestione del rischio e la valutazione dei derivati.

In conclusione, il documento colma con successo il divario tra la probabilità teorica (miscelazioni bivariates, leggi stabili) e l'econometria finanziaria pratica, offrendo un modello robusto e analiticamente trattabile per i rendimenti delle attività guidati dalla volatilità osservata.