مدلسازی نوسانات درون روزی بازارهای اوراق قرضه اروپا: یک برنامه فیلترینگ داده ☆

این مقاله نوسانات درون روزی اوراق قرضه دولتی اروپا را تحت چارچوب مدل مولفه ضربی GARCH مورد مطالعه قرار می دهد (Engle and Sokalska، 2012). نوسانات بازده روزانه به صورت حاصلضرب نوسانات روزانه، فصلی درون روزی و فرآیند GARCH واحد مشخص می شود. این مدل برای اوراق قرضه 10 ساله دولت اروپا در طول بحران بدهی دولتی اعمال می شود. ما شاهد نوسانات گذرا درون روزی هستیم که اغلب به دلیل اثرات عدم نقدشوندگی و موارد پرت است. ما یک روش منعطف و مؤثر برای فیلتر کردن مشترک قیمت های میان قیمت و تخمین مدل های نوسان پیشنهاد می کنیم. در نهایت، نشان می دهیم که داده های روزانه حاوی اطلاعات مرتبط برای پیش بینی نوسانات روزانه است.

معرفی

با ظهور بحران بدهی های دولتی که در اروپا موج می زند، نوسانات اوراق قرضه دولتی به نگرانی بیشتر محققان، تنظیم کننده ها و دست اندرکاران تبدیل می شود. مطالعه نوسانات نرخ بهره که برای نوسانات اوراق قرضه مهم است به مطالعات قبلی مدل های وابسته باز می گردد. لانگستاف و شوارتز (1992) از اولین کسانی هستند که پیشنهاد کردند که نوسانات تغییر بازده عامل مهمی در توضیح ساختار مدت نرخ های بهره است. نقش و ویژگی های نوسانات بازار اوراق قرضه در مقالات متعددی مورد بررسی قرار گرفته است. بلوم، کیم و پاتل (1991) ریسک نوسان اوراق قرضه ناخواسته را نسبت به اوراق بهادار دولتی بلندمدت بررسی کردند. جونز، لامونت و لومزدین (1998) اثر اخبار اقتصاد کلان را بر نوسانات روزانه بررسی کردند و با استفاده از مدل GARCH (1،1) پاسخ های متفاوتی را به طیف وسیعی از اخبار پیدا کردند (Bollerslev، 1986). De Goeij و Marquering (2004) یک مدل چند متغیره را برای واریانس شرطی اوراق قرضه و سهام با استفاده از داده های هفتگی برآورد می کنند. کریستینسن (2007) از یک مدل GARCH برای مطالعه بازارهای اوراق قرضه اروپا قبل و بعد از معرفی یورو استفاده می کند و یک اثر سرریز نوسان قابل توجهی را از کل بازار اوراق قرضه اروپا به بازارهای ملی مشاهده می کند.

نوسانات با فرکانس بالا بر خلاف ادبیات گسترده در مورد مدلهای نوسانات روزانه و هفتگی کمتر مورد مطالعه قرار می گیرد (به بولرزلوف و همکاران ، 1992 ، پون و گرنجر ، 2003 مراجعه کنید). تیلور و Xu (1997) با استفاده از بازده گزینه ساعتی یک مدل قوس عمومی را می سازند و متعاقباً محتوای اطلاعات واریانس شرطی ، واریانس تحقق یافته و نوسانات ضمنی را مقایسه می کنند. فلمینگ و لوپز (1999) یک مدل چند متغیره گارچ را در بازده ساعتی برای بازار بین المللی باند خزانه داری ایالات متحده تخمین می زنند. Bollerslev ، Cai و Song (2000) فرم انعطاف پذیر فوریه (FFF) را برای الگوبرداری از فصلی داخل بدن اتخاذ می کنند و صریحاً تأثیر اخبار کلان اقتصادی را در 5 دقیقه نوسانات آینده اوراق بهادار ایالات متحده آمریکا به حساب می آورند. آنها اثرات حافظه طولانی را می یابند و یک مدل MA (1)-FIGARCH (1 ، D ، 1) را تخمین می زنند (Baillie ، Bollerslev ، & Mikkelsen ، 1996) برای پیش بینی واریانس روزانه. DEO ، Hurvich و Lu (2006) یک مدل نوسانات تصادفی با حافظه طولانی را پیشنهاد می کنند و عملکرد پیش بینی آن را در برابر مدلهای اجزای GARCH و ARFIMA (1 ، D ، 0) ارزیابی می کنند. آنها الگوی فصلی را به تدریج در حال تغییر برای بهبود عملکرد پیش بینی مدل معرفی می کنند. Engle and Sokalska (2012) بر عملکرد پیش بینی کننده یک مؤلفه چند قطعی Intraday Garch که برای یک جهان بزرگ از سهام ایالات متحده تخمین زده می شود ، تمرکز می کنند.

ادبیات مربوط به بحران بدهی اروپا بر اثرات سرریز و آلودگی متمرکز است (به عنوان مثال ، د بروککر و همکاران ، 2013 ، ارمن و Fratzscher ، 2017). Dimitriou ، Kenourgios و Simos (2013) از مدل همبستگی شرطی پویا (DCC) تهیه شده توسط Engle (2002a) برای برآورد نوسانات متغیر زمان و همبستگی بازارهای سهام در حال ظهور استفاده می کنند. اگرچه در این مقاله نوسانات پیوند فردی را تخمین می زنیم ، می توان از یک گسترش چند متغیره از رویکرد ما برای کشف و آزمایش اثرات مسری استفاده کرد.

Almgren و Chriss (2001) چارچوبی را برای محاسبه استراتژی های بهینه اجرای تجارت ایجاد می کنند که ریسک زمان بندی تجارت و هزینه تأثیر را متعادل می کند. در مدل آنها ، واریانس بازده دارایی بر واریانس هزینه های اجرای تجارت تأثیر می گذارد. انگل و فرستنبرگ (2007) این رویکرد را گسترش داده و نحوه استفاده از آن را در انتخاب بهینه نمونه کارها و انحلال نمونه کارها نشان می دهند. باز هم ، نوسانات دارایی یک تعیین کننده اساسی در انتخاب دارایی مشترک و مشکلات انحلال است. خریدهای دارایی و فروش در طول روز معاملاتی انجام می شود و بنابراین ، تهیه یک مدل نوسانات داخل رحمی که می تواند برای اطلاع رسانی در تصمیمات بهینه معاملات استفاده شود ، مهم است. مقاله اخیر Bollerslev ، Hood ، Huss و Pedersen (2018) بر اهمیت توانایی پیش بینی و کنترل نوسانات مدیران نمونه کارها که استراتژی های هدفگذاری ریسک را اجرا می کنند ، تأکید دارد. نویسندگان از طیف گسترده ای از مجموعه داده های با فرکانس بالا استفاده می کنند و یک سری از فیلترهای داده را برای پاک کردن خارج از کشور ناشی از عدم اعتبار دارایی های مالی اعمال می کنند.

همانطور که در شکل 1 نشان داده شده است ، بازارهای بدهی حاکمیت اروپا در طی بحران بدهی حاکمیت از 12-12 سال 2010-که بانک مرکزی اروپا (ECB) مجبور به مداخله با چندین اقدامات موقت برای تثبیت بازده خزانه داری شد ، سطح نوسانات بالایی را به نمایش گذاشتند. به طور خاص ، نوسانات اوراق قرضه دولت ایتالیایی و اسپانیا به شدت در ماه مه 2010 افزایش یافته و نوسانات سالانه روزانه 20-25 ٪ را با اوج 50 ٪ برای اوراق قرضه اسپانیا به پایان سال 2011 نشان می دهد. نوسانات اوراق قرضه دولت در سطح بالایی باقی مانده استبخش عمده ای از سال 2013. اینها سطح نوسانات است که معمولاً برای سهام تراشه های آبی مشاهده می شود اما برای اوراق قرضه دولتی غیر معمول است.

نمونه انتخاب شده توجیهی را برای تهیه یک مدل نوسانات پیوند مناسب فراهم می کند و شرایط ایده آل را برای آزمایش اثربخشی آن ارائه می دهد. سه سؤال اساسی که می خواهیم در این مطالعه به آن بپردازیم عبارتند از: چگونه می توانیم نوسانات کوتاه مدت در بازده اوراق قرضه را به طور دقیق تعیین کنیم؟چگونه می توانیم اثرات موقت پویایی نقدینگی را بر روی مدل های نوسانات به درستی فیلتر کنیم؟آیا نوسانات داخلی برای پیش بینی نوسانات روزانه در آینده مهم است؟مطالعه ما دوره بحران اوراق قرضه اروپا را در نظر می گیرد زیرا فرصتی بی نظیر برای توسعه و آزمایش یک مدل نوسانات ارائه می دهد که می تواند توسط مدیران و بازرگانان نمونه کارها برای کنترل و مدیریت ریسک اوراق قرضه شدید و داخلی استفاده شود.

ما چارچوب Engle و Sokalska (2012) را اتخاذ می کنیم و یک رویکرد مدل سازی نوسانات را توسعه می دهیم که همزمان به مشکلات فیلتر کردن اثرات نقدینگی گذرا ، مدل سازی تناوب درون داخل و برآورد نوسانات اساسی در داخل می پردازد. ما تناوب اینترادی را به عنوان یک ساختار خطی پراکنده در روح مدل Spline-Garch (Engle & Rangel ، 2008) مدل می کنیم. دینامیک نوسانات روزانه توسط یک مدل ساده (1،1) ضبط می شود. یافته های ما بیشتر درک ما از بازار اوراق بهادار اروپا را در طول بحران بدهی حاکمیت بهبود می بخشد و پایه و اساس کار بیشتر در الگوبرداری از اثر آلودگی متغیر زمانی را فراهم می کند که بدهی کشورهای پریشان دیگر یک دارایی ایمن نیست ، با عواقب جدی برای کلمحیط اقتصادی. ما نوسانات اوراق قرضه 10 ساله معیار را برای 7 کشور منطقه یورو مطالعه می کنیم. با نمونه ما ، پویایی نقدینگی برای درک نوسانات کوتاه مدت قیمت های نقل شده مهم است و این یک چالش برای محققان است که سعی در جدا کردن گذرا در مقابل نوسانات اساسی دارند. در ادبیات به خوبی ثبت شده است که داده های فرکانس بالا اغلب به دلیل اصطکاک و عدم تعادل نقدینگی حاوی سر و صدا و اثرات کوتاه مدت هستند (فلمینگ ، 2001 ، باند و راسل ، 2008) ، که باعث می شود تمیز کردن داده های مناسب هم لازم و هم چالش برانگیز باشد. بدیهی است ، فرآیند تمیز کردن/نمونه برداری داده ها بر محاسبه نوسانات اساسی تأثیر می گذارد (به Bandi & Russell ، 2008 مراجعه کنید). از این رو مهم است که به طور مشترک به فیلتر داده ها و مشکلات تخمین نوسانات بپردازیم. ما چندین روش تمیز کردن داده های جایگزین را در نظر می گیریم و روشی را برای انتخاب فیلتر تهیه می کنیم که بهترین تخمین ها از نوسانات اساسی را ارائه می دهد. سرانجام ، بسیاری از مقالات از ادبیات نوسانات تحقق یافته (به Badorff-Nielsen و Shephard ، 2002a ، Badorff-Nielsen و Shephard ، 2002b مراجعه کنید) نشان می دهد که داده های داخل می توانند حاوی اطلاعاتی باشند که برای برآورد نوسانات در افق های طولانی تر مفید است. نتایج ما شواهد بیشتری ارائه می دهد که داده های داخل می توانند در بهبود پیش بینی های نوسانات روزانه کمک کنند.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 انگیزه ها و خصوصیات مدل فرکانس بالا اقتصاد سنجی ما را معرفی می کند. بخش 3 روش ما برای تمیز کردن سری زمانی داده های باند را توضیح می دهد. بخش پیوست جزئیات نحوه ساخت سری بازگشت را توضیح می دهد. بخش 4 نتایج و تفسیرهای تخمین را ارائه می دهد. بخش 5 مقایسه پیش بینی بین داخل گارچ Intraday و Daily Garch (1،1) را انجام می دهد. سرانجام بخش 6 یافته های ما را خلاصه می کند.

قطعه قطعه

یک مدل خطای چند برابر از نوسانات داخلی

ما بازده ورود به سیستم Intraday را توسط r نشان می دهیم_{t ، n}و بازگشت روزانه توسط r_حرفبشرt نمایانگر شاخص روزانه (t = 1،2 ،… ، t) و n شاخص intraday (n = 1،2 ،… n) است. به هر بازه زمانی داخلی n به عنوان "سطل" n گفته می شود. برگه برگشتی R_{t ، n}به عنوان تفاوت در قیمت های ورود به سیستم در یک بازار سفارش محدود با سازندگان بازار تعیین شده محاسبه می شود.

مدل خطای چند برابر معرفی شده توسط Engle (2002b) و تصویب شده توسط Engle و Sokalska (2012) نشان می دهد که r ، n = h t s n q t ، n ε t ، n و ε t ، n |φ t ، n - 1 ∼ n (0 ، 1) کجا

روشهای داده و تمیز کردن

داده های فرکانس بالا ما حاوی بازده ورود به سیستم 10 دقیقه ای است که از نقاط میانه نقل قول برای اوراق قرضه دولتی ده ساله از بازار Interdealer MTS ساخته شده است. داده های Intraday از 02 آوریل 2012 تا 30 دسامبر 2013 اجرا می شود. ما به یک سری زمانی طولانی تر از داده های روزانه از 02 ژانویه ، 2009 تا 30 دسامبر 2013 متکی هستیم تا مؤلفه نوسانات روزانه را تخمین بزنیم. 6

نتیجه مدل روزانه و ارزیابی

نتایج بعدی همه بر اساس بهترین فیلترهای به دست آمده برای هر کشور است. آمار خلاصه برای سری نمونه بازده روزانه در جدول 5 ارائه شده است. 11

متوسط بازده روزانه به طور کلی مثبت و نسبتاً ناچیز است. اسپانیا تنها کشوری است که میانگین بازده روزانه منفی ، اگرچه قابل توجه نیست. ایتالیا و اسپانیا انحراف استاندارد بالاتری دارند. بازگشت روزانه

ارزیابی پیش بینی

با توجه به موفقیت کلی مدل GARCH (1،1) در پیش بینی نوسانات روزانه بازارهای اوراقبرای بازده روزانهدوره خارج از نمونه ، دو ماه اول سال 2014 را در بر می گیرد. ما مشاهدات داخلی را با استفاده از بهترین فیلتر حاصل از تخمین در نمونه فیلتر می کنیم (بخش 3. 4 را ببینید). از آنجا که پیوندهای ایتالیا و آلمان به فیلتر سازگار نیاز دارند ، که از آن استفاده می کند

نتیجه

در این مقاله ، ما نوسانات روزانه و داخلی اوراق قرضه بلند مدت دولتی هفت کشور اروپایی را در طول بحران بدهی حاکمیت مطالعه می کنیم. مشخصات جدیدی از تناوب داخل دهانه ، به همراه یک مدل گارچ واحد (1،1) ، تحت چارچوب Engle و Sokalska (2012) تدوین شده است. ما از یک سری طولانی برای تمرکز بر نوسانات اوراق قرضه 10 ساله دولتی استفاده می کنیم. چندین فیلتر در مقابل معیار با الهام از باندی و راسل (2008) با استفاده از داده ها ارائه و آزمایش می شوند