Preview

Экономика в промышленности

Расширенный поиск

Прогнозирование реализованной волатильности котируемых российских акций с помощью инструмента Google Trends и вмененной волатильности

https://doi.org/10.17073/2072-1633-2019-1-79-88

Полный текст:

Аннотация

Рассмотрено прогнозирование реализованной волатильности (Realized Volatility, RV) и стоимости под риском (Value-at-Risk, VaR) наиболее ликвидных российских акций с помощью моделей GARCH, ARFIMA и HAR, используя вменную волатильность (implied volatility), рассчитанную исходя из цен опционов, а также данные Google Trends. Анализ в пределах выборки показывает, что только вмененная волатильность оказывает существенное влияние на реализованную волатильность большинства акций, в то время как данные Google Trends не оказывают существенного влияния. Анализ за пределами выборки выявил, что модели, основанные на вмененной волатильности, ещё лучше прогнозируют реализованную волатильность, тогда как модели, построенные на активности интернет-запросов, в некоторых случая прогнозируют ещё хуже. Более того, простые модели HAR и ARFIMA без дополнительных регрессоров зачастую лучше прогнозируют дневную реализованную волатильность и дневную стоимость под риском на уровне 1 %, таким образом демонстрируя, что эффективность модели компенсирует возможные ошибки в спецификации модели и смещение параметров. Наши расчеты показывают, что, в случае, российских котируемых акций, данные Google Trends не несут дополнительной информации, не учтенной уже во вмененной волатильности.

Об авторах

Т. И. Баженов
Международный институт экономики и финансов НИУ ВШЭ.
Россия
119049, Москва, ул. Шаболовка, д. 26, корп. 3.


Д. Фантаццини
Московская школа экономики МГУ.
Россия

PhD, канд. экон. наук, доцент, зам. заведующего кафедрой Эконометрики и математических методов в экономике.

119234, Москва, Ленинские Горы, д. 1, стр. 61.



Список литературы

1. Bauwens L., Hafner C.M., Laurent S. Handbook of volatility models and their applications. Wiley, 2012. 548 p.

2. Campos I., Cortazar G., Reyes T. Modeling and predicting oil VIX: Internet search volume versus traditional variables. Energy Economics. 2017. No. 66. Pp. 194–204. DOI: 10.1016/j.eneco.2017.06.009

3. Donaldson R.G., Kamstra M.J. Volatility forecasts, trading volume, and the arch versus optionimplied volatility trade-off. Journal of Financial Research. 2005. Vol. 28. No. 4. Pp. 519–538.

4. Andrei D., Hasler M. Investor attention and stock market volatility. The Review of Financial Studies. 2014. Vol. 28. No. 1. Pp. 33–72.

5. Vlastakis N. Markellos R.N. Information demand and stock market volatility. Journal of Banking and Finance. 2012. Vol. 36. No. 6. Pp. 1808–1821.

6. Mayhew S. Implied volatility. Financial Analysts Journal. 1995. Vol. 51. No. 4. Pp. 8–20.

7. Corsi F. A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics. 2009. Vol. 7. No. 2. Pp. 174–196 .

8. Andersen T.G., Bollerslev T., Diebold F.X., Labys P. Modeling and forecasting realized volatility. Econometrica. 2003. Vol. 71. No. 2. Pp. 579–625.

9. Goddard J., Kita A., Wang Q. Investor attention and FX market volatility. Journal of International Financial Markets, Institutions and Money. 2015. No. 38. Pp. 79–96.

10. Basistha A., Kurov A., Wolfe M. Volatility Forecasting: The Role of Internet Search Activity and Implied Volatility. West Virginia University working paper. Avalable at: https://papers.ssrn.com/sol3/papers. cfm?abstract_id=2812387 (accessed: 05.02.2019).

11. Barndorff-Nielsen O.E., Shephard N. Econometric analysis of realized volatility and its use in estimating stochastic volatility models. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2002. Vol. 64. No. 2. Pp. 253–280.

12. Liu L.Y., Patton A.J., Sheppard K. Does anything beat 5-minute RV? A comparison of realized measures across multiple asset classes. Journal of Econometrics. 2015. Vol. 187. No. 1. Pp. 293–311.

13. Hull J.C. Options, futures and other derivatives. Pearson, 2018. 894 p.

14. Fengler M.R. Semiparametric modeling of implied volatility. Berlin: Springer, 2005. 231 p.

15. Hyndman R.J., Khandakar Y. Automatic Time Series Forecasting: the forecast Package for R. Journal of Statistical Software. 2008. Vol. 27. No. 3. DOI: 10.18637/ jss.v027.i03

16. Hansen P.R., Lunde A. A forecast comparison of volatility models: does anything beat a GARCH (1,1)? Journal of Applied Econometrics. 2005. Vol. 20. No. 7. Pp. 873–889.

17. Hansen P.R., Lunde A., Nason J.M. The model confidence set. Econometrica. 2011. Vol. 79. No. 2. Pp. 453–497.

18. Gonzаlez-Rivera G., Lee T.H., Mishra S. Forecasting volatility: A reality check based on option pricing, utility function, value-at-risk, and predictive likelihood. International Journal of Forecasting. 2004. Vol. 20. No. 4. Pp. 629–645.

19. Louzis D.P., Xanthopoulos-Sisinis S., Refenes A.P. Realized volatility models and alternative Valueat-Risk prediction strategies. Economic Modelling. 2014. No. 40. Pp. 101–116.

20. Kupiec P.H. Techniques for Verifying the Accuracy of Risk Measurement Models. The Journal of Derivatives. 1995. Vol. 3. No. 2. Pp. 73–84.

21. Christoffersen P.F. Evaluating interval forecasts. International economic review. 1998. No. 39. Pp. 841–862.


Для цитирования:


Баженов Т.И., Фантаццини Д. Прогнозирование реализованной волатильности котируемых российских акций с помощью инструмента Google Trends и вмененной волатильности. Экономика в промышленности. 2019;12(1):79-88. https://doi.org/10.17073/2072-1633-2019-1-79-88

For citation:


Bazhenov T., Fantazzini D. Forecasting Realized Volatility of Russian stocks using Google Trends and Implied Volatility. Russian Journal of Industrial Economics. 2019;12(1):79-88. https://doi.org/10.17073/2072-1633-2019-1-79-88

Просмотров: 142


ISSN 2072-1633 (Print)
ISSN 2413-662X (Online)