Simulation-based estimation methods in financial econometrics: Analysis of performance and comparison

Abstract

Tato diplomová práce zkoumá výkonnost metod simulovaného odhadu ve finanční ekonometrii, se specifickým zaměřením na jejich aplikaci na multia- gentních modelech. Tradiční odhadové techniky často selhávají kvu̇li neřešitel- nosti analytického řešení v multiagentních modelech, což vyžaduje použití inovativních metod založených na simulacích. Studie porovnává dvě frekven- tistické metody, Simulovanou metodu momentu̇ (SMM) a Neparametrickou simulovanou maximální věrohodnost (NPSML), s jejich bayesovskými pro- tějšky, Přibližný bayesovský výpočet (ABC) a Bayesovský odhad (BE). Na jednoduchých referenčních modelech, jako je AR(2) model a ARMA(1,1)- GARCH(1,1) model, metody založené na simulaci dosahují srovnatelné výkon- nosti s tradičními technikami. Hlavním modelem zájmu je známý multi- agentní model od Franke a Westerhoff (2012). Výsledky neukazují jasného celkového vítěze, protože výkonnost se liší parametr od parametru. Nicméně, bayesovské metody obecně překonávají své frekventistické protějšky. ABC a SMM poskytují méně zkreslené odhady než metody založené na věrohodnosti, NPSML a BE. Na druhou stranu, odhady z NPSML a BE jsou stabilnější napříč ru̇znými simulacemi. Tato studie také přispívá k pochopení chování rozšířeného NPSML, který je navržen pro práci s latentními proměnnými. 1

This thesis investigates the performance of simulation-based estimation meth- ods in financial econometrics, specifically focusing on their application to agent-based models. Traditional estimation techniques often fail due to the intractability of analytical solutions in agent-based models, necessitat- ing the use of innovative simulation-based approaches. The study compares two frequentist methods, Simulated Method of Moments (SMM) and Non- parametric Simulated Maximum Likelihood (NPSML), with their Bayesian counterparts, Approximate Bayesian Computation (ABC) and Bayesian Es- timation (BE), respectively. On simple benchmark models, such as the AR(2) model and the ARMA(1,1)-GARCH(1,1) model, the simulation-based meth- ods match the performance of traditional techniques. The well-known agent- based model from Franke and Westerhoff (2012) is the main model of interest. The results do not indicate a clear overall winner, as the performance varies parameter by parameter. However, Bayesian methods generally outperform their frequentist counterparts. ABC and SMM provide less biased estimates than the likelihood methods, NPSML and BE. On the other hand, the esti- mates from NPSML and BE are more stable across different simulation runs. Additionally, this study contributes to the understanding of the...