Three essays on bayesian econometrics

Abstract

This thesis deals with the subject of Bayesian econometric methods in time-series analysis in the field of economics and finance. Each chapter constitutes an independent empirical application conducted in a Bayesian framework. In the first chapter, we employ a Bayesian time-varying parameter Vector Autoregressive (TVP-VAR) model to examine the relation between the price of oil and investor sentiment. To measure investor sentiment, we construct a new proxy based on the search patterns of individuals on the Google engine. Using this new proxy, oil prices as well as benchmark macroeconomic and financial variables, we estimate a TVP-VAR that takes into account the changes in the transmission of investors sentiment shocks to oil prices over time. The results indicate that an unexpected increase in investor attention yields a long-lasting increase both in the price of oil and the stock market returns. In the second chapter, we use alternative Bayesian Markov- witching Generalised Autoregressive Conditional Heteroscedasticity (MS-GARCH) models to analyse the behaviour of volatility of cryptocurrencies. In total, we consider 292 cryptocurrrencies for each of which we estimate the estimate 27 alternative MS-GARCH specifications. First, we evaluate the in-sample performance of each model using the information criteria. Next, we assess the ability of the models to perform one-day ahead conditional volatility and Value-at-Risk forecasts. The results indicate that for a wide range of cryptocurrencies (with different characteristics), Markov-switching models which two or more regimes outperform the ones with a sole regime. In addition, the findings suggest the presence of inverse leverage effect in the majority of the cryptocurrencies. In the third chapter, we propose a new a methodology to test examine for Grangercausality in a time-varying framework. Specifically, we combine the estimates from a TVP-VAR with the null hypothesis of no Granger-causality that allows us to track changes in the causal relationship of variables in each period. This methodology offers several advantages compared the existing ones which mostly rely on rolling window algorithms. The performance (size and power) of the proposed methodology is evaluated through Monte Carlo simulations. As an empirical application, we examine the evolution of Granger-causal relationship between bitcoin returns and alternative variables. According to the results, other cryptocurrency returns, stock market returns and uncertainty Granger cause bitcoin returns during periods when bitcoin prices burst and bitcoin’s trading volume Granger causes bitcoin returns during periods when bitcoin prices remain relatively steady.

Η παρούσα διατριβή πραγματεύεται το θέμα των Μπεϋζιανών οικονομετρικών μεθόδων στην ανάλυση χρονοσειρών στον τομέα των οικονομικών και χρηματοοικονομικών. Κάθε κεφάλαιο αποτελεί μια ανεξάρτητη εμπειρική εφαρμογή που διεξάγεται σε ένα Μπεϋζιανό πλαίσιο. Στο πρώτο κεφάλαιο, χρησιμοποιούμε ένα διανυσματικό αυτοπαλίνδρομο Μπεϋζιανό μοντέλο με χρονικά μεταβαλλόμενες παραμέτρους (TVP-VAR) για να εξετάσουμε τη σχέση μεταξύ της τιμής του πετρελαίου και του συναισθήματος του επενδυτή. Για να μετρήσουμε το συναίσθημα του επενδυτή, κατασκευάζουμε μια νέο δείκτη με βάση τη συχνότητα αναζήτησης συγκεκριμένων όρων στην μηχανή αναζήτησης της Google. Χρησιμοποιώντας το νέο δείκτη, τις τιμές του πετρελαίου καθώς και τις μακροοικονομικές και χρηματοοικονομικές μεταβλητές αναφοράς, υπολογίζουμε ένα διανυσματικό αυτοπαλίνδρομο Μπεϋζιανό μοντέλο που λαμβάνει υπόψη τις αλλαγές στη μετάδοση των διαταραχών του συναισθήματος των επενδυτών στις τιμές του πετρελαίου με την πάροδο του χρόνου. Τα αποτελέσματα δείχνουν ότι ένα σοκ στο δείκτη συναισθήματος του επενδυτή οδηγεί σε μακροχρόνια αύξηση τόσο στην τιμή του πετρελαίου όσο και στις αποδόσεις των χρηματιστηρίων. Στο δεύτερο κεφάλαιο, χρησιμοποιούμε εναλλακτικά μοντέλα γενικευμένης υπό συνθήκης ετεροσκεδαστικότητας μεταγωγής-Markov για να αναλύσουμε τη διακύμανση των αποδόσεων των κρυπτονομισμάτων. Συνολικά, λαμβάνουμε υπόψη 292 κρυπτονομίσματα για καθένα από τα οποία υπολογίζουμε 27 διαφορετικά μοντέλα. Αρχικά, αξιολογούμε κάθε μοντέλο χρησιμοποιώντας τα κριτήρια πληροφοριών. Στη συνέχεια, αξιολογούμε την ικανότητα των μοντέλων να προβλέπουν τη διακύμανση και την αξία σε κίνδυνο. Τα αποτελέσματα υποδεικνύουν ότι για ένα ευρύ φάσμα κρυπτονομισμάτων (με διαφορετικά χαρακτηριστικά), τα μοντέλα με δύο ή περισσότερες καταστάσεις Markov λειτουργούν καλύτερα από τα μοντέλα με μία κατάσταση. Επιπλέον, τα ευρήματα υποδηλώνουν την παρουσία αντίστροφης μόχλευσης στην πλειονότητα των κρυπτονομισμάτων. Στο τρίτο κεφάλαιο, προτείνουμε μια νέα μεθοδολογία για την εξέταση της υπόθεσης αιτιότητας κατά Granger σε ένα χρονικά μεταβαλλόμενο πλαίσιο. Συγκεκριμένα, συνδυάζουμε τις εκτιμήσεις από ένα TVP-VAR με τη μηδενική υπόθεση ότι δεν υπάρχει αιτιότητα κατά Granger που μας επιτρέπει να παρακολουθούμε τις αλλαγές στην σχέση των μεταβλητών κάθε χρονική στιγμή. Αυτή η μεθοδολογία προσφέρει πολλά πλεονεκτήματα σε σύγκριση με τις υπάρχουσες μεθοδολογίες που βασίζονται κυρίως σε αλγόριθμους κυλιόμενου παραθύρου. Η απόδοση της προτεινόμενης μεθοδολογίας αξιολογείται μέσω προσομοιώσεων Monte Carlo. Ως εμπειρική εφαρμογή, εξετάζουμε την εξέλιξη της σχέσης αιτιότητας κατά Granger μεταξύ των αποδόσεων του bitcoin και εναλλακτικών μεταβλητών. Σύμφωνα με τα αποτελέσματα υπάρχει σχέση αιτίοτητας από τις αποδόσεις άλλων κρυπτονομισμάτων, αποδόσεων στο χρηματιστήριο και της αβεβαιότητας προς τις αποδόσεις του bitcoin σε περιόδους όπου οι τιμές bitcoin αυξάνονται. Ο όγκος συναλλαγών του bitcoin επηρεάζει κατά Granger τις αποδόσεις του bitcoin σε περιόδους που οι τιμές bitcoin παραμένουν σχετικά σταθερές.