💰 quantitative finance

Long-memory GARCH via a two-dimensional Markov chain

Questo articolo introduce un nuovo modello di tipo GARCH che utilizza una catena di Markov bidimensionale per generare un decadimento della legge di potenza degli shock passati dipendente dallo stato, ottenendo così una persistenza della volatilità a memoria lunga con forti garanzie teoriche di stabilità e prestazioni di previsione empirica competitive.

Autori originali: Kyungsub Lee, Kennedy Titus Kayaki

Pubblicato 2026-07-29

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Kyungsub Lee, Kennedy Titus Kayaki

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il mercato azionario come un oceano gigantesco e caotico. A volte le onde sono dolci e prevedibili; altre volte, una tempesta improvvisa colpisce l'oceano e l'acqua si agita violentamente per giorni. Nel mondo della finanza, questo "turbolento movimento" è chiamato volatilità. Per decenni, gli scienziati hanno cercato di costruire mappe matematiche per prevedere queste onde. Le mappe più famose, chiamate modelli GARCH, funzionano come un semplice eco: se un'onda enorme colpisce oggi, l'oceano rimarrà un po' più agitato domani, ma il ricordo di quell'onda svanisce rapidamente, come un grido in un canyon che muore dopo pochi secondi.

Tuttavia, i dati del mondo reale suggeriscono che l'oceano abbia una memoria molto più lunga. Una tempesta massiccia oggi potrebbe rendere le onde "agitate" per settimane o addirittura mesi, un fenomeno noto come memoria lunga. Le mappe tradizionali faticano con questo perché sono costruite per dimenticare troppo velocemente. Per risolvere il problema, alcuni ricercatori hanno cercato di costruire mappe con strati infiniti di memoria, ma queste sono diventate così complicate da essere difficili da usare o da dimostrare la loro stabilità. Questo articolo entra in scena con un'idea fresca: e se potessimo catturare quella memoria lunga e persistente usando un sistema semplice a due parti, facile da tracciare e matematicamente solido?

La Macchina della Memoria Bidimensionale

Gli autori, Kyungsub Lee e Kennedy Titus Kayaki, propongono un nuovo modo per modellare la volatilità finanziaria. Invece di tracciare solo quanto sia "agitata" l'acqua in questo momento (il livello), il loro modello traccia anche quanto velocemente ci si aspetta che tale agitazione svanisca (la pendenza).

Pensatelo come un elastico magico che si autoregola.

Il Livello: È quanto l'elastico è teso in questo momento. Uno shock improvviso (come un crollo del mercato) lo tende, rendendo la "volatilità" alta.
La Pendenza: È la "rigidità" dell'elastico o quanto velocemente esso voglia tornare alla normalità.

Nei modelli più vecchi, l'elastico tornava sempre alla normalità con una velocità fissa. Ma in questo nuovo modello, ogni volta che avviene uno shock, esso non si limita a tendere l'elastico; cambia anche la rigidità dell'elastico stesso. Se lo shock è abbastanza grande, potrebbe rendere l'elastico più "lasco", il che significa che ci vorrà molto più tempo per tornare alla normalità. Questo crea un ciclo di feedback: la storia degli shock cambia la velocità di recupero futura, permettendo al modello di ricordare il passato per un tempo molto lungo senza necessitare di un numero infinito di variabili.

Come hanno dimostrato che funziona

La preoccupazione principale con questi sistemi complessi e autoregolati è che potrebbero impazzire. Se l'elastico diventa troppo lasco, il modello potrebbe prevedere una volatilità infinita, il che è un non-sense. Gli autori hanno dedicato molto tempo a dimostrare che il loro sistema è sicuro.

Hanno utilizzato uno strumento matematico chiamato condizione di Foster–Lyapunov. Immaginatelo come una rete di sicurezza. Hanno dimostrato che, indipendentemente da quanto diventi selvaggio il mercato, il sistema ha un meccanismo integrato che alla fine riporta l'elastico verso uno stato stabile. Hanno dimostrato che il modello è Harris ricorrente positivo, un modo elegante per dire: "Il sistema si stabilizzerà sempre in un modello prevedibile e non sfuggirà all'infinito". Hanno anche dimostrato che questo schema stabile è unico, il che significa che il modello non si confonde e non passa tra comportamenti differenti.

Simulazioni: Testare la Memoria Lunga

Per vedere se la loro idea crei effettivamente una memoria lunga, il team ha eseguito migliaoli di simulazioni al computer. Hanno alimentato il modello con shock di mercato casuali e hanno osservato come si comportava la "volatilità" nel tempo.

Hanno scoperto che quando i parametri del modello erano tarati vicino a un particolare "confine di stabilità" (il bordo della rete di sicurezza), il mercato simulato si comportava esattamente come i dati reali a memoria lunga. Gli shock non svanivano rapidamente; invece, persistevano, creando un decadimento lento di tipo legge di potenza. Ciò ha confermato che il loro semplice sistema a due parti poteva effettivamente imitare la natura ostinata e duratura della volatilità vista nei mercati finanziari reali.

Test su Strada nel Mondo Reale

Gli autori hanno poi messo alla prova il loro modello utilizzando dati reali provenienti da sei grandi mercati finanziari: l'S&P 500, il FTSE 100, il DAX, il Nikkei 225, il KOSPI e il Bitcoin.

La Buona Notizia:
Il modello è stato sorprendentemente bravo a catturare la "memoria lunga" di questi mercati. Quando hanno confrontato le previsioni del modello con i dati effettivi, le stime della memoria coincidevano molto bene per diversi mercoli, come il Nikkei 225 e l'S&P 500. Ha ricreato con successo il lento decadimento della volatilità che i modelli più vecchi e semplici avevano mancato.

Il Confronto:
Hanno messo il loro modello contro i pesi massimi del settore:

GARCH(1,1): Il modello standard e semplice.
FIGARCH: Un modello complesso progettato specificamente per la memoria lunga.
HAR-RV: Un modello che utilizza la varianza realizzata passata (una misura molto diretta della volatilità passata).

I Risultati:

Adattarsi al Passato: Il complesso modello FIGARCH è stato il migliore nel "adattarsi" ai dati storici (aveva la massima verosimiglianza). Il nuovo modello era leggermente indietro rispetto a FIGARCH, ma molto vicino allo standard GARCH(1,1).
Prevedere il Futuro: È qui che la questione si fa interessante. Nel prevedere la volatilità futura, il nuovo modello si è comportato altrettanto bene dello standard GARCH(1,1) nella maggior parte dei mercati. Non ha battuto FIGARCH complessivamente, ma era statisticamente altrettanto buono per la maggior parte dei mercati, con l'eccezione di KOSPI e Bitcoin, dove FIGARCH aveva un leggero vantaggio.
Il Vero Vincitore: Curiosamente, il modello HAR-RV (che utilizza direttamente i dati della varianza passata) è stato il miglior predittore di tutti. Tuttavia, gli autori notano che HAR-RV è uno strumento specializzato che utilizza informazioni che il nuovo modello non possiede (osserva direttamente la varianza realizzata, non solo i rendimenti).

Conclusione

L'articolo conclude che non è necessaria una macchina infinitamente complessa per catturare la memoria lunga. Aggiungendo solo una dimensione extra — una "scala di memoria" che cambia in base agli shock — è possibile costruire un modello che è:

Matematicamente sicuro: Non esploderà.
Semplice: Traccia solo due numeri alla volta.
Efficace: Cattura la natura ostinata e duratura della volatilità di mercato quasi altrettanto bene dei modelli più complessi.

È un promemoria del fatto che, a volte, il modo migliore per comprendere un oceano complesso e turbolento non è mappare ogni singola onda, ma capire come l'acqua stessa ricordi la tempesta.

Sintesi Tecnica: GARCH a memoria lunga tramite una catena di Markov bidimensionale

Enunciato del Problema
I modelli GARCH standard catturano il clustering della volatilità attraverso un semplice feedback ricorsivo di innovazioni al quadrato e varianze condizionali. Tuttavia, l'evidenza empirica suggerisce che la volatilità finanziaria esibisca una "memoria lunga", caratterizzata da una dipendenza dal decadimento lento nelle proxy della volatilità (ad esempio, i rendimenti al quadrato) che le convenzionali specificheazioni GARCH non riescono a replicare. Le soluzioni esistenti, come il Fractional GARCH (FIGARCH), l'HYGARCH o i modelli ARCH ad ordine infinito, introducono persistenza attraverso filtri frazionari, decadimento iperbolico o strutture di lag infiniti. Sebbene efficaci, questi approcci spesso mancano di una rappresentazione Markoviana a dimensione finita, complicando l'analisi della stabilità e la trattabilità computazionale. Al contrario, i modelli di volatilità stocastica con fattori latenti o i modelli di volatilità "rough" affrontano la persistenza ma spesso faticano nella distinguibilità empirica o mancano di una diretta ricorsione della varianza condizionale.

Metodologia
Gli autori propongono un nuovo modello di tipo GARCH che genera un comportamento a memoria lunga pur mantenendo uno stato Markoviano a dimensione finita (bidimensionale). Il meccanismo centrale adatta la costruzione "level-and-slope matching" (Lee, 2026b) alla modellizzazione della volatilità condizionale.

Kernel di Potenza Latente: Invece di un decadimento autoregressivo fisso, la varianza condizionale è derivata da un kernel di potenza latente $h_n(t) = \mu + a_n(t+c_n)^{-p}$ .
Meccanismo di Aggiornamento dello Stato: All'osservazione di uno shock di rendimento $\eta_n$ $η_{n}$ , il kernel viene aggiornato al periodo successivo facendo corrispondere sia il livello (level) che la pendenza (slope) al nuovo origine.
- Il vettore di stato è $(X_n, c_n)$ , dove $X_n$ rappresenta il livello di varianza eccedente e $c_n$ rappresenta una scala di memoria endogena.
- Le regole di aggiornamento (Equazioni 6–7) assicurano che il nuovo stato $(X_n, c_n)$ sia una funzione deterministica dello stato precedente e dell'innovazione al quadrato $\eta_n^2$ .
Rappresentazione Markoviana: Il processo risultante è una catena di Markov tempo-omogenea sullo spazio di stato $S = [0, \infty) \times [\gamma, \infty)$ . Il modello ammette una rappresentazione ARCH( $\infty$ ) a coefficienti casuali in cui i fattori di decadimento sono endogeni e dipendenti dallo stato, piuttosto che coefficienti deterministici fissi.

Contributi Chiave

Teoria della Stabilità: Il principale contributo matematico è una rigorosa analisi della stabilità per questa catena di Markov non standard. A differenza dei modelli GARCH standard dove la stabilità si riduce a una condizione di momento logaritmico monodimensionale, questo modello richiede una condizione congiunta di Foster–Lyapunov.
- Gli autori costruiscono una funzione di Lyapunov $V(x, c) = \log(1+x) + \lambda c$ che accoppia il livello della varianza e la scala di memoria.
- Derivano una condizione di drift congiunta (Assunzione 1) richiedendo l'esistenza di un $\lambda > 0$ tale che il supremo del drift combinato del log-varianza e della scala di memoria sia negativo.
- Sotto questa condizione e assunzioni di regolarità sulla distribuzione delle innovazioni, il documento dimostra che la catena è Harris ricorrente positiva e ammette una misura di probabilità invariante unica.
Condizione Diagnostica: Il documento deriva una condizione diagnostica necessaria per la stabilità (Equazione 35), analoga alla standard condizione del momento logaritmico GARCH ma valutata su una scala endogena critica $c^*$ . Gli esperimenti numerici mostrano che questo confine diagnostico è estremamente vicino al vero confine di stabilità congiunta.
Verifica della Regolarità: Utilizzando argomenti di teoria del controllo (framework di Meyn e Tweedie), gli autori stabiliscono la $\psi$ -irriducibilità e la "petiteness" di insiemi compatti dimostrando che il modello di controllo deterministico può raggiungere un ancoraggio di confine $(0, \gamma)$ e che la condizione del rango della Jacobiana vale localmente.

Risultati

Studi di Simulazione:
- Utilizzando lo stimatore di Whittle locale sulle innovazioni del logaritmo del quadrato, le simulazioni dimostrano che il modello genera una persistenza significativa a bassa frequenza (memoria lunga).
- La persistenza è massima quando i parametri collocano il sistema vicino al confine di stabilità diagnostica. Man mano che la scala di memoria $c_n$ diventa grande, i fattori di decadimento endogeni rimangono vicini all'unità, producendo una dipendenza dal decadimento lento.
- Il parametro di memoria stimato $\hat{d}$ aumenta monotonicamente mentre il sistema si avvicina al confine di stabilità.
Analisi Empirica:
- Il modello è stato applicato ai rendimenti giornalieri di cinque indici azionari internazionali (S&P 500, FTSE 100, DAX, Nikkei 225, KOSPI) e Bitcoin.
- Fit In-Sample: L'LM-GARCH cattura un comportamento di memoria lunga significativo; le stime di memoria implicite dal modello corrispondono strettamente alle stime basate sui dati per il Nikkei 225, l'S&P 500 e il FTSE 100. Tuttavia, la sua log-verosimiglianza in-sample è generalmente inferiore a quella dei modelli FIGARCH e GARCH asimmetrici (GJR, EGARCH) per gli indici azionari, sebbene superi questi ultimi per il Bitcoin.
- Previsioni Out-of-Sample: Utilizzando la perdita QLIKE sulla varianza realizzata, l'LM-GARCH è competitivo con il GARCH(1,1). Sebbene il FIGARCH fornisca perdite medie inferiori in tutti i mercati, la differenza è statisticamente significativa solo per il KOSPI e il Bitcoin. L'HAR-RV (utilizzando direttamente la varianza realizzata) supera tutti i modelli basati sui rendimenti, come previsto.

Significatività e Rivendicazioni
Il documento sostiene di offrire un framework parsimonioso che concilia la generazione di volatilità a memoria lunga con una struttura Markoviana a bassa dimensione.

Meccanismo: Dimostra che la memoria lunga può emergere dalla dinamica dello stato stesso (specificamente l'evoluzione della scala di memoria $c_n$ ) piuttosto che essere imposta tramite integrazione frazionaria o lag infiniti.
Trattabilità: Mantenendo uno stato bidimensionale, il modello permette un'analisi della stabilità standard e una stima computazionalmente efficiente, diversamente dai modelli a ordine infinito o frazionari.
Utilità Empirica: Il modello riproduce con successo la persistenza osservata nei dati finanziari e offre un'accuratezza di previsione comparabile ai benchmark standard, suggerendo che il fenomeno della "memoria lunga" può essere modellato efficacemente senza abbandonare il framework Markoviano.

Gli autori rimangono modesti riguardo alla dominanza del modello, riconoscendo che, sebbene catturi una persistenza sostanziale, non supera il FIGARCH in termini di in-sample in tutti i mercati, e il suo vantaggio out-of-sample rispetto allo standard GARCH è limitato a mercati specifici. Il principale contributo è la dimostrazione teorica che un processo Markoviano a dimensione finita può generare dinamiche di volatilità complesse a memoria lunga attraverso l'evoluzione endogena dello stato.