Multidimensional Time Series Methods for Economics and Finance

This thesis aims to address the inferential and interpretational issues in high and multi-dimensional models in the context of Economics and Finance. The growing economic and financial integration has made imperative the need to conceive Countries and Financial Markets as a single, large, interconnected entity. The main challenges induced by this framework concern the estimation and interpretation of large panels, where units can be represented by countries or assets, observed via several indicators across time. This thesis proposes Bayesian estimation techniques for novel matrix and tensor-valued models and employs new methodological tools from Graph Theory to facilitate interpretation of high-dimensional networks. The contributions are presented in three chapters. In Chapter 2, Graph Theory approaches are proposed to study the structures and interactions of weighted directed networks of multivariate time series observations/relationships. In Chapter 3, a Bayesian variable selection approach is proposed to handle the over-parametrization problem in large Matrix Autoregressive models. In Chapter 4, the dynamic relationship among returns, volatility, and sentiment in the cryptocurrency class is explored through a Bayesian Matrix Autoregressive model, which is the first attempt to consider financial asset data as multi-dimensional structures.

Questa tesi mira ad affrontare le questioni inferenziali e interpretative nei modelli ad alta dimensione e multidimensionali nel contesto dell'Economia e della Finanza. La crescente integrazione economica e finanziaria ha reso di fondamentale importanza considerare i Paesi e i Mercati Finanziari come un'unica, grande e interconnessa entità. Le principali sfide indotte da questo quadro riguardano la stima e l'interpretazione di ampi Panel data, in cui le unità possono essere rappresentate da paesi o attività finanziarie, osservate attraverso diversi indicatori nel tempo. Questa tesi propone tecniche di stima Bayesiana per nuovi modelli matriciali e tensoriali e utilizza tecniche della Teoria dei Grafi per facilitare l'interpretazione di network ad alta dimensione. I contributi sono presentati in tre capitoli. Nel Capitolo 2, vengono proposti approcci della Teoria dei Grafi per studiare le strutture e le interazioni in Network direzionali e pesati. Nel Capitolo 3, viene proposto un approccio Bayesiano di variable selection per gestire il problema della sovrapparametrizzazione nei modelli di Autorregressione Matriciale di grandi dimensioni. Nel Capitolo 4, viene esplorata la relazione dinamica tra rendimenti, volatilità e sentiment nel settore delle criptovalute attraverso un modello Autoregressivo Matriciale, che rappresenta il primo tentativo di considerare i dati sugli asset finanziari come strutture multidimensionali.