Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

1. Probleemstelling

Het artikel adresseert twee primaire uitdagingen in financieel modelleren en statistische inferentie:

1. Beperkingen van Univariate Modellen: Hoewel de Generalized Asymmetric Laplace (GAL) verdeling (ook bekend als de Variance-Gamma verdeling) veel wordt gebruikt om activa-opbrengsten te modelleren vanwege het vermogen om zware staarten en scheefheid vast te leggen, wordt deze doorgaans bestudeerd in een univariate setting. In deze setting is de mengende gamma-variabele (die stochastische volatiliteit of bedrijfstijd voorstelt) niet-geobserveerd, wat Maximum Likelihood Schatting (MLE) complex en rekenintensief maakt.
2. Omgaan met Geobserveerde Volatiliteit: In veel financiële contexten worden volatiliteitsindices (zoals de VIX) samen met activa-opbrengsten geobserveerd. Standaard stochastische volatiliteitsmodellen behandelen volatiliteit vaak als een latente (verborgen) variabele, wat complexe filteringstechnieken vereist (bijvoorbeeld Hidden Markov Modellen). De auteurs zoeken een kader waarin zowel de opbrengst als de volatiliteitsproxy gezamenlijk worden gemodelleerd als observeerbare stochastische variabelen.

2. Methodologie: Het BGGL Model

De auteurs introduceren de Bivariate Gamma-Generalized Laplace (BGGL) verdeling. Dit is een bivariate uitbreiding van het standaard GAL-model waarbij de mengende gamma-variabele geobserveerd is.

• Stochastische Representatie: Laat $Z \sim N(0,1)$ en $X \sim \text{GAM}(\alpha, \beta)$ onafhankelijk zijn. De stochastische vector $(X, Y)$ wordt gedefinieerd als:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  Hierbij vertegenwoordigt $X$ de geobserveerde volatiliteitsproxy (of bedrijfstijd), en $Y$ de activa-opbrengst.
• Gecombineerde Dichtheid: De gecombineerde kansdichtheidsfunctie (PDF) van $(X, Y)$ wordt expliciet afgeleid. Er wordt aangetoond dat de conditionele verdeling $Y|X$ Gaussiaans is, terwijl de marginale verdeling van $X$ Gamma is, en de marginale verdeling van $Y$ GAL is.
• Exponentiële Familie Structuur: De auteurs demonstreren dat de BGGL-familie een gecurveerde exponentiële familie is. Hoewel deze 5 parameters heeft ($\alpha, \beta, \delta, \mu, \sigma$), beslaan de toereikende statistieken een 6-dimensionale ruimte. Deze niet-standaard structuur is cruciaal voor het begrijpen van het gedrag van de schatters.
• Fisher Informatie: Het artikel leidt de Fisher Informatie Matrix (FIM) af. Een belangrijke bevinding is dat voor de vormparameter $\alpha \le 1$, de FIM singulier (oneindig) wordt voor bepaalde parameters (specifiek gerelateerd aan $\delta$), wat wijst op niet-standaard asymptotisch gedrag.

3. Belangrijkste Bijdragen

Het artikel levert drie voornaamste theoretische en methodologische bijdragen:

1. Vereenvoudigde Maximum Likelihood Schatting (MLE):
   In tegenstelling tot het univariate GAL-model, waarbij MLE numerieke optimalisatie van een complexe likelihood-functie vereist, maakt de bivariate formulering expliciete, gesloten-formule oplossingen mogelijk voor de locatie ($\delta$), scheefheid ($\mu$) en schaal ($\sigma$) parameters.

   • De MLE's voor $\delta$ en $\mu$ komen exact overeen met de Kwadratenminderste (Least Squares) schatters in een gewogen lineair regressiemodel (specifiek, een regressie zonder intercept waarbij de foutvariantie evenredig is met $X$).
   • De MLE's voor de gamma-parameters ($\alpha, \beta$) worden afgeleid uit de marginale verdeling van $X$ en zijn beschikbaar in gesloten vorm (met inbegrip van de digamma-functie).

2. Niet-Standaard Asymptotische Theorie:
   De auteurs stellen vast dat de convergentiesnelheden van de MLE's kritiek afhangen van de vormparameter $\alpha$ van de mengende gamma-verdeling:

   • Geval $\alpha > 1$: De schatters zijn asymptotisch normaal met de standaard $\sqrt{n}$ convergentiesnelheid.
   • Geval $\alpha = 1$: De schatter $\hat{\delta}$ convergeert met een snelheid van $\sqrt{n \ln n}$, en de limietverdeling blijft Gaussiaans maar met een andere variantiestructuur.
   • Geval $\alpha < 1$: De convergentiesnelheid voor $\hat{\delta}$ versnelt naar $n^{1/(2\alpha)}$ (sneller dan $\sqrt{n}$). Cruciaal is dat de limietverdeling niet-Gaussiaans is, en een stabiele subordinator ($\xi_\alpha$) omvat. Dit is een zeldzaam fenomeen waarbij de MLE sneller convergeert dan de standaard snelheid, maar normaliteit verliest.

3. Financieel Toepassingskader:
   Het artikel stelt een nieuwe manier voor om activa-opbrengsten en volatiliteit gezamenlijk te modelleren. In plaats van volatiliteit te behandelen als een latente toestand, transformeren zij de geobserveerde volatiliteitsindex (VIX) naar een Gamma-verdeelde variabele $X$ en modelleren zij het paar $(X, Y)$ direct. Dit elimineert de noodzaak voor verborgen Markov-modellen.

4. Belangrijkste Resultaten

• Eigenschappen van Schatters:

  • De schatters $\hat{\delta}_n$ en $\hat{\mu}_n$ zijn onbevooroordeeld.
  • Voor $\alpha > 1$ is de gecombineerde verdeling van schatters asymptotisch multivariaat normaal met een blok-diagonale covariantiematrix, wat impliceert asymptotische onafhankelijkheid tussen de gamma-parameters en de regressieparameters.
  • Voor $\alpha \le 1$ worden de schatters $\hat{\delta}_n$ en $\hat{\mu}_n$ asymptotisch onafhankelijk, een eigenschap die niet aanwezig is in het geval $\alpha > 1$.

• Simulatiestudie:
  Simulaties met steekproefgroottes $n=50$ en $n=500$ bevestigen de theoretische bevindingen.

  • Voor $\alpha = 1$ en $\alpha = 0.25$ is de Root Mean Squared Error (RMSE) voor $\delta$ zeer laag, consistent met de snellere convergentiesnelheden.
  • Voor $\alpha = 2$ en $\alpha = 5$ neemt de RMSE voor $\delta$ toe, wat de langzamere $\sqrt{n}$ convergentiesnelheid en de invloed van de zware staarten in de mengverdeling weerspiegelt.

• Empirische Toepassing:
  Het model werd toegepast op wekelijkse data (2019–2024) voor drie grote Amerikaanse indices: S&P 500, DJIA en NASDAQ 100, gekoppeld aan hun respectievelijke volatiliteitsindices (VIX, VXD, VXN).

  • Resultaten: Het BGGL-model leverde een bevredigende fit voor alle drie de indices.
  • Diagnostics: Kwantiel-Kwantiel (QQ) plots toonden aan dat de residuen (geëxtraheerd uit de regressie) goed werden benaderd door een standaard normale verdeling, en dat de getransformeerde volatiliteitsvariabele $X$ goed paste bij de Gamma-verdeling.
  • Interpretatie: De auteurs interpreteren de variabele $X$ als "onverwachte" of "surprise" volatiliteit (de afwijking van de huidige volatiliteit van de autoregressieve verwachting), waardoor het model de gezamenlijke dynamiek van opbrengsten en volatiliteitsschokken kan vastleggen met behulp van IID-aannames in plaats van complexe tijdreeksafhankelijkheden.

5. Betekenis

• Rekenkundige Efficiëntie: Door de mengvariabele te observeren, transformeert het artikel een moeilijk niet-lineair optimalisatieprobleem naar een eenvoudig lineair regressieprobleem, waardoor parameterschatting aanzienlijk hanteerbaarder wordt.
• Theoretisch Inzicht: De ontdekking van super-snelle convergentiesnelheden ($n^{1/(2\alpha)}$) gekoppeld aan niet-Gaussiaanse limieten voor $\alpha < 1$ voegt een significant nieuw geval toe aan de literatuur over niet-standaard asymptotisch gedrag in MLE.
• Praktisch Financieel Modelleren: De aanpak biedt een parsimonisch alternatief voor complexe Stochastische Volatiliteit (SV) en GARCH-modellen. Door volatiliteit te behandelen als een observeerbare invoer in plaats van een latente toestand, vereenvoudigt het het modelleren van de gezamenlijke verdeling van opbrengsten en volatiliteit, wat essentieel is voor risicomanagement en derivatenprijzen.

Concluderend overbrugt het artikel succesvol de kloof tussen theoretische waarschijnlijkheid (bivariate mengsels, stabiele wetten) en praktische financiële econometrie, en biedt een robuust, analytisch hanteerbaar model voor activa-opbrengsten gedreven door geobserveerde volatiliteit.