Метод Монте-Карло с марковскими цепями (MCMC) в байесовской финансовой эконометрике

По теореме Байеса, искомое апостериорное распределение параметров $ heta$ при наблюдаемых данных $Y$ пропорционально произведению функции правдоподобия и априорного распределения: $p( heta | Y) propto p(Y | heta) p( heta)$. В моделях стохастической волатильности (SV) скрытые состояния $V$ (волатильность на каждый день) рассматриваются как дополнительные параметры. Таким образом, нужно найти совместное апостериорное распределение $p( heta, V | Y)$ гигантской размерности. Вычислить нормировочную константу (интеграл в знаменателе формулы Байеса) аналитически невозможно. Алгоритмы MCMC решают эту проблему, строя эргодическую марковскую цепь, стационарное распределение которой в точности совпадает с искомым апостериорным распределением $p( heta, V | Y)$.

Наиболее популярными алгоритмами MCMC являются Сэмплирование по Гиббсу (Gibbs Sampling) и алгоритм Метрополиса-Гастингса (Metropolis-Hastings). В сэмплере Гиббса многомерная задача разбивается на серию одномерных: каждый параметр симулируется из своего условного распределения при фиксированных значениях всех остальных параметров. Например, $ heta_1$ генерируется из $p( heta_1 | heta_2, dots, heta_n, V, Y)$, затем $ heta_2$ обновляется с учетом нового $ heta_1$ и так далее. Если условное распределение не имеет стандартной формы, применяется шаг Метрополиса-Гастингса: предлагается новое случайное значение параметра, и оно принимается или отвергается с определенной вероятностью, зависящей от отношения правдоподобий, что гарантирует детальное равновесие (Detailed Balance) цепи.

В финансовой инженерии MCMC используется для калибровки сложных моделей Леви, моделей с режимами переключения (Markov-Switching) и стохастической корреляцией. Запустив алгоритм на миллионы итераций (с отбрасыванием начального периода "разогрева" — Burn-in), квант-аналитик получает не просто точечные оценки параметров (как в MLE), а полные эмпирические распределения вероятностей для каждого параметра (например, распределение параметра возврата к среднему $kappa$ в модели Хестона). Это позволяет напрямую измерять Модельный риск (Parameter Uncertainty) и интегрировать его в расчеты Value-at-Risk, делая стресс-тесты математически полными и байесовски обоснованными.

Список литературы:
1. Johannes M., Polson N. MCMC Methods for Continuous-Time Financial Econometrics. — Handbook of Financial Econometrics, 2010.
2. Jacquier E., Polson N.G., Rossi P.E. Bayesian Analysis of Stochastic Volatility Models. — Journal of Business & Economic Statistics, 1994.
3. Robert C.P., Casella G. Monte Carlo Statistical Methods. — Springer, 2004.
Эксперты: Николас Полсон, Эрик Жакье, Кристиан Робер.