Description
Abstract: We develop a discrete-time affine stochastic volatility model with time-varying conditional skewness (SVS). Importantly, we disentangle the dynamics of conditional volatility and conditional skewness in a coherent way. Our approach allows current asset returns to be asymmetric conditional on current factors and past information, what we term contemporaneous asymmetry. Conditional skewness is an explicit combination of the conditional leverage effect and contemporaneous asymmetry. We derive analytical formulas for various return moments that are used for generalized method of moments estimation. Applying our approach to S&P500 index daily returns and option data, we show that one- and two-factor SVS models provide a better fit for both the historical and the risk-neutral distribution of returns, compared to existing affine generalized autoregressive conditional heteroskedasticity (GARCH) models. Our results are not due to an overparameterization of the model: the one-factor SVS models have the same number of parameters as their one-factor GARCH competitors.
Résumé: Les auteurs élaborent un modèle discret affine à volatilité stochastique et asymétrie conditionnelle variable (modèle SVS). Leur approche a ceci d’intéressant qu’elle dissocie de façon cohérente la dynamique de la volatilité conditionnelle de celle de l’asymétrie conditionnelle. Elle permet une distribution asymétrique des rendements courants des actifs conditionnellement aux facteurs du moment et à l’information passée, asymétrie que les auteurs qualifient de « contemporaine ». Dans leur modèle, l’asymétrie conditionnelle découle de la combinaison explicite de l’effet de levier conditionnel et de l’asymétrie contemporaine. Les auteurs établissent les formules analytiques pour divers moments des rendements utiles pour l’estimation par la méthode des moments généralisés. En se servant de données relatives aux rendements journaliers de l’indice S&P 500 et aux options connexes, ils montrent que les modèles SVS à un et à deux facteurs décrivent mieux la distribution des rendements (tant historique que risque neutre) que les modèles GARCH affines existants. Leurs résultats ne tiennent pas à un surparamétrage, puisque les modèles SVS unifactoriels comptent le même nombre de paramètres que les modèles GARCH unifactoriels.
Résumé: Les auteurs élaborent un modèle discret affine à volatilité stochastique et asymétrie conditionnelle variable (modèle SVS). Leur approche a ceci d’intéressant qu’elle dissocie de façon cohérente la dynamique de la volatilité conditionnelle de celle de l’asymétrie conditionnelle. Elle permet une distribution asymétrique des rendements courants des actifs conditionnellement aux facteurs du moment et à l’information passée, asymétrie que les auteurs qualifient de « contemporaine ». Dans leur modèle, l’asymétrie conditionnelle découle de la combinaison explicite de l’effet de levier conditionnel et de l’asymétrie contemporaine. Les auteurs établissent les formules analytiques pour divers moments des rendements utiles pour l’estimation par la méthode des moments généralisés. En se servant de données relatives aux rendements journaliers de l’indice S&P 500 et aux options connexes, ils montrent que les modèles SVS à un et à deux facteurs décrivent mieux la distribution des rendements (tant historique que risque neutre) que les modèles GARCH affines existants. Leurs résultats ne tiennent pas à un surparamétrage, puisque les modèles SVS unifactoriels comptent le même nombre de paramètres que les modèles GARCH unifactoriels.