ارز رمزنگاری شده و ناهنجاری نوسان پذیری پایین

Cryptocurrencies and the low volatility anomaly

چکیده

1. مقدمه

2. داده ها و روش شناسی

3. نتایج تجربی

4. نتیجه گیری ها

چکیده

این مطالعه نابهنجاری نوسان پذیری کم در بازار رمزارز (ارز رمزی) را بررسی میکند. ما با ساخت پورتفوی های کوتاه مدت برای یک نمونه متشکل از 1000 رمزارز برای دوره 28 آوریل 2013 تا 1 نوامبر 2019، هیچ شواهدی از یک تفاوت ارزش مهم (تفاوت ارزش واقعی و ارزش اسمی سهم) با نوسان پذیری کم پیدا نکردیم. این نتیجه با یافته های تجربی از مطالعات حقوق صاحبان سهام، اوراق قرضه، و بازارهای کالا مغایرت دارد و به مباحثه کارایی رمزارزها کمک می کند. ما بر خلاف مطالعات قبلی، پی بردیم که بازار رمزارز بیشتر از آنچه انتظار میرود کارآمد است، حتی بعد از اینکه اندازه های مختلف نمونه را کنترل کردیم، و دوره ها و (یا) روش های ساخت پورتفوی را از نو متعادل ساختیم.

1. مقدمه

حاصل سهام دارای نوسان پذیری زیاد باید یک بازده مورد انتظار باشد. این یکی از مهمترین اصول در مالیه است. با این حال رشته وسیعی از شواهد تجربی این مفهوم را آزمایش نموده اند و نشان داده اند که در حقیقت عکس این قضیه درست است – یعنی اینکه از لحاظ تاریخی سهام دارای نوسان پذیری کم عملکرد بهتری نسبت به سهام دارای نوسان پذیری زیاد داشته اند. هوگن و هینس (1975، 1972) اولین افرادی بودند که عدم یک رابطه مثبت بین ریسک و بازده در مقطع عرضی تجربی از بازده های بازار سهام را بیان کردند. مطالعات آینده با اثبات استوارمندی این یافته ها در نواحی مختلف (آنگ و همکارانش 2006، 2009؛ پِسوانی 2017؛ جاشیپورا و جاشیپورا 2016)، طبقات دارائی (فازینی و پدرسِن 2014) و ابزارهای سنجش جایگزین برای ریسک (چان و همکارانش 1999؛ کلارک و همکارانش 2006)، این یافته ها را تأیید کردند.

4. نتیجه گیری ها

ما در مطالعه حاضر نابهنجاری با نوسان پذیری کم را برای بک نمونه متشکل از 1000 رمزارز برای دوره 28 آوریل 2013 تا 1 نوامبر 2019 بررسی نمودیم. ما بر خلاف تحقیقات قبلی در مورد طبقات دارائی های سنتی، نتوانستیم شواهدی را پیدا کنیم که این تأثیر در بازارهای رمزارز وجود دارد. با اینکه هر دو استراتژی خرید و فروش بازده های مثبتی را ایجاد می کنند اما استراتژی کوتاه مدت با هزینه های صفر، بازده های منفی مهمی را ایجاد می کند، حتی بعد از اینکه اندازه های مختلف نمونه، متعادل سازی مجدد دوره ها، پیش پردازش داده ها و روش های ساخت پورتفوی را کنترل کردیم. توضیحات بالقوه شامل مشکلات نمایندگی، اولویت های چولگی، و سوگیری های رفتاری هستند.

Abstract

This study examines the low volatility anomaly in the cryptocurrency market. Constructing long-short portfolios for a sample of 1000 cryptocurrencies for the period April 28, 2013 – November 1, 2019, we find no evidence of a significant low volatility premium. This result is in contrast to the empirical findings from the equity, bond, and commodity markets and contributes to the debate on the efficiency of cryptocurrencies. In contrast to earlier studies, we find that the cryptocurrency market is far more efficient than expected, even after controlling for different sample sizes, rebalancing periods and / or portfolio construction methodologies.

1. Introduction

Stocks with high volatility should yield high expected return. This is one of the most fundamental principles in finance. However, a wide strand of empirical evidence has put this concept on trial, showing that in fact the opposite is true – Low volatility stocks has historically outperformed high volatility stocks.1 Haugen and Heins (1975, 1972) were the first to document the lack of positive relationship between risk and return in the empirical cross-section of stock market returns. Later studies confirm these findings by demonstrating its robustness across regions (Ang et al., 2006; 2009; Peswani, 2017; Joshipura and Joshipura, 2016), asset classes (Frazzini and Pedersen, 2014), and alternative measures of risk (Chan et al., 1999; Clarke et al., 2006).

4. Conclusion

In this study, we examined the low volatility anomaly for a sample of 1000 cryptocurrencies for the period April 28, 2013–November 1, 2019. Unlike earlier research for traditional asset classes, we cannot find evidence that this effect is present in cryptocurrency markets. While both buy and sell strategies generate positive returns, the zero-cost long-short strategy generates significant negative returns, even after controlling for different sample sizes, rebalancing periods, data preprocessing and portfolio construction methodologies. Potential explanations include agency issues, skewness preferences, and behavioral biases.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ارز رمزنگاری شده و ناهنجاری نوسان پذیری پایین

Cryptocurrencies and the low volatility anomaly

تأثیر شوک های داخلی و خارجی بر درآمدهای حاصل از تنوع بخشی پورتفولیو (سبد) و ریسک های همراه با آن

The Influence of Domestic and Foreign Shocks on Portfolio Diversification Gains and the Associated Risks

چکیده

1. مقدمه

2. بازده های بازار (rt) در بازارهای توسعه یافته، نوظهور و مرزی

3. همبستگی های بازار

4. همبستگی های بازار و واکنش نوسان پذیری همبستگی به شوک های داخلی و خارجی

4.1 مدل EGARCH چند متغیری

4.2 نتایج تجربی: تأثیر شوک های بازار سهام داخلی و خارجی بر روی همبستگی ها (معادله (1))

4.2.1 ماهیانه

4.2.2 روزانه

4.3 تأثیر «نوآوری های مبتنی بر نوسان پذیری بازار سهام داخلی خارجی» بر روی «نوسان پذیری همبستگی» (معادله (4))

4.3.1 ماهیانه

4.3.2 روزانه

4.4 ماندگاری نوسان پذیری همزمان سازی بازار

4.4.1 داده های ماهانه

4.4.2 روزانه

4.5 پیامدهای کلی

5. شرایط بازارهای کساد

5.1 داده های فیلتر شده در بازارهای کساد

5.2 تأثیرات شوک بازارهای کساد داخلی و خارجی

5.2.1 شوک های مبتنی بر بازده بازار بر روی بهره های تنوع بخشی

5.2.2 تأثیرات شوک های نوسان پذیری بازار کساد بر روی ریسک تنوع بخشی

5.2.3 پایداری

6. نتیجه گیری ها

منابع

چکیده

ما در این مقاله «تأثیر بازده بازار سهام خارجی یا داخلی، و بازده شوک های نوسان پذیری (نوسانات بازده)» بترتیب بر روی «همبستگی های مشروط پویا (DCC) بین بازارهای سهام بین المللی، و نوسان پذیری همبستگی» را بررسی می کنیم. همبستگی های بین بازارها پیامدهایی برای درآمدهای حاصل از تنوع بخشی پورتفولیو دارد در حالیکه نوسان پذیری های همبستگی را می توانیم بصورت ریسک هایی برای تنوع بخشی پورتفولیو ببینیم. در ضمن شوک های داخلی از بازده و نوسانات بازده از 24 بازار سهام توسعه یافته، نوظهور، و مرزی ناشی می گردند. بازار سهام ایالات متحده، منبعی از شوک های خارجی است. شوک های داخلی و خارجی با استفاده از بازده های مبتنی بر بازار و در شرایط بازار کساد ایجاد می گردند. ما مدلهای واریانس ناهمسانی شرطی اتورگرسیو تعمیم یافته نمایی چندمتغیری (E-GARCH) را با استفاده از داده های قیمت سهام مبتنی بر MSCI روزانه و ماهانه برآورد می کنیم؛ این داده ها مربوط به بازارهای توسعه یافته، نوظهور، و مرزی در دوره 1993:1 2014:1 هستند. نتایج کلیدی ما بشرح روبرو هستند: شوک های بازار داخلی غالباً محرک های مهمی برای درآمدهای حاصل از تنوع بخشی پورتفولیو بودند، اگرچه اثرات بازار آمریکا هم نسبتاً قوی تر بودند. از طرف دیگر، آمریکا از لحاظ تعداد موارد مهم و همچنین اثرات اندازه شوک ها، بصورت یک عامل تعیین کننده نوسان پذیری همبستگی (یا ریسک های موجود برای تنوع بخشی پورتفولیو) حکمفرما بود. همچنین مشخص شد که در شرایط بازار کساد، تعدیل در همبستگی ها و نوسان پذیری های همبستگی ها غالباً تحت تأثیر ایالات متحده قرار می گیرند. شوک های بازارهای کساد (و نه شوک های مبتنی بر بازده بازار) شواهد قوی ای از اثر اهرم (نسبت بدهی به دارائی خالص) را نشان میدهد. نشانه های ماندگاری شوک ها عمدتاً در شرایط بازار کساد مشاهده میشود.

6. نتیجه گیری ها

ما یکپارچگی بازار سهام را بصورت همبستگی های شرطی پویا بین بازارها اندازه گیری کردیم. مقاله حاضر با بررسی همبستگی های دو جانبه بین بازار آمریکا و 24 بازار توسعه یافته، نوظهور و مرزی، تأثیر شوک های بازار از بازارهای داخلی و آمریکا بر روی همبستگی ها و واریانس های آنها در دوره 2000 تا 2013 را بررسی کرد.

ما برای بررسی تأثیرات شوک های بازده بر روی همبستگی ها و شوک های نوسان پذیری بر روی نوسان پذیری همبستگی، از مدل EGARCH چند متغیری استفاده کردیم. این مدل با اینکه بصورت گسترده برای بازده های بازار استفاده می شود اما برای اولین بار برای همبستگی های جفتی اعمال شد. مقایسه نتایج بازده های بازار در اغلب موارد نشان میداد که همبستگی های ماهانه به یک شیوه مشابه با بازده های بازار، به شوک های بازده و نوسان پذیری واکنش نشان می دادند. بعنوان مثال اثبات شد که شوک های نوسانات بازده آمریکا (و نه شوک های بازده آمریکا) در این چارچوب، محبوب هستند. همچنین اثبات شد که اندازه (و نه نشانه) اثرات اهرم، مهم و معنادار هستند. با اینحال تفاوت هایی هم وجود داشت. بر خلاف نوسانات بازده، نوسان پذیری همبستگی ها با آمریکا، هیچ تأثیر اهرم محدودی را نشان نمی داد. همچنین پایداری نوسان پذیری همبستگی ها در مدلهای ماهانه کاملاً غایب بود اما به شکل های مختلفی در مدلهای روزانه وجود داشت. این بدین معناست که شوک های داخلی و خارجی میتوانند تا یک ماه ماندگار باشند.

Abstract

This paper evaluates the influence of foreign or domestic stock market return and return of volatility shocks on dynamic conditional correlations (DCCs) between international stock markets and correlation volatility, respectively. The correlations between markets have implications for the gains from portfolio diversification, while correlation volatilities can be seen as risks to portfolio diversification. Meanwhile, domestic shocks are sourced from the return and return volatility from 24 developed, emerging, and frontier stock markets. The US stock market is the source of foreign shocks. The domestic and foreign shocks are derived using market-based returns and under bearish market conditions. We estimate multivariate exponential generalized autoregressive conditional heteroskedasticity (E-GARCH) models using daily and monthly MSCI based stock price data of selected developed, emerging, and frontier markets over 1993:1–2014:1. Our key results are as follows. Domestic market shocks were significant drivers of gains from portfolio diversification most of the time, although the US market effects were relatively stronger. On the other hand, the US, in terms of the number of significant cases as well as the size effects of shocks, dominated as a determinant of correlation volatility (or risks to portfolio diversification). Further, under bear market conditions, adjustments in correlations and correlation volatilities are found to be mostly US-induced. Bearish shocks, rather than market return based shocks, show strong evidence of the leverage effect. Signs of persistence of shocks are mainly noticed under bearish conditions.

6. Conclusions

We measured stock market integration as dynamic conditional correlations between markets. Taking the bilateral correlations between the US and 24 developed, emerging, and frontier markets, this paper examined the impact of market shocks from domestic and US markets on correlations and their variances over the period from 2000 to 2013.

The multivariate EGARCH model was employed to examine the influences of return shocks on correlations and volatility shocks on correlation volatility. This model, while widely applied to market returns, was applied to pairwise correlations for the first time. A comparison of market returns results suggested, in most cases, that monthly correlations reacted to return and volatility shocks in a similar fashion to market returns. For instance, the US return volatility shocks rather than US return shocks were found to be popular within this framework. Similarly, the size, rather than the sign, of leverage effects was found to be important. However, there were some differences. Unlike returns volatility, the volatility of correlations with the US showed limited leverage effects. Further, persistence of correlations volatility was mainly missing in monthly models but was present in some form in daily models. This means that domestic and foreign shocks could persist for up to a month.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تأثیر شوک های داخلی و خارجی بر درآمدهای حاصل از تنوع بخشی پورتفولیو (سبد) و ریسک های همراه با آن

The Influence of Domestic and Foreign Shocks on Portfolio Diversification Gains and the Associated Risks

پیش بینی نوسانات ارزش سهام مبنی بر چشم انداز داده های آماری در بورس و بازار مبادلاتی

Forecast of stock price fluctuation based on the perspective of volume information in stock and exchange market

چکیده
1- مقدمه
2- ارتباط نظري بین میزان سهام و نوسانات قیمت سهام و ارائه فرضیه تحقيق
3- آزمون تجربی اثبات کننده برتری اطلاعات آماری برای نوسان قیمت سهام
1- 3- مبنای ریاضیاتی فرضیه ترکیب توزیع ( MDH)
2- 3- مدل SV-VOL و برآورد آن
3 -3 – تجزیه و تحلیل منطقی و تفسیر مکانیسم نتایج تجربی
4- نتیجه گیری
منابع

چکیده

هدف – در مقاله حاضر با بحث در مورد رابطه بین مقدار و قیمت سهام در بازار مبادلات، هدف چگونگی بررسی گردش سرمایه خارجی است، بدین منظور که آیا لحاظ نمودن اطلاعات آماری در واقع به پیش بینی نوسان قیمت سهام کمک می نماید یا خیر.
طرح/ روش/ رویکرد پژوهش – با مقایسه مزایا و معایب نسبی دو روش عمده غیرپارامتری اصلی، و در نظر گرفتن ویژگی های سری زمانی مقدار سهام مدنظر، مدل نوسان تصادفی وابسته به مقدار سهام ( SV-VOL) براساس روش شبیه سازی APF-LW، در نهایت جهت کاوش و پیاده سازی الگوریتم های تخمین کارآمدتر استفاده شده است. میزان سهام درمدلی برای گذر تدریجی شناور گنجانده شده است، که توسط آن مسئله ناکافی بودن استفاده از اطلاعات آماری در پژوهش های گذشته حل شده، بدین معنا که توسعه مدل SV محقق شده است.
یافته های پژوهش- برآورد مؤثر از مدل SV-VOL از طریق الگوریتم متوالی مونته کارلو (SMC)، با برنامه ریزی تحقق می یابد. یافته ها نشان می دهند که اطلاعات آماری بازار بورس برای پیش بینی نوسان قیمت سهام مفید می باشند. اطلاعات آماری بازار بورس که بر عایدی سهام و رابطه قیمت-و مقدار سهام تأثیر می گذارد، به طور غیر مستقیم از نسبت سرمایه خالص به بازار سهام به دست می آید. کاهش و نوسان ارزش بورس جاری موجب ترمیم و بهبود بازار سهام نمی شوند.
محدودیت ها و مفاهیم تحقیق- اینکه که آیا لحاظ نمودن اطلاعات آماری در واقع به پیش بینی نوسان قیمت سهام و نحوه ترکیب اطلاعات آماری بازار بورس کمک می نماید یا خیر هنوز در مرحله اکتشافی است. مقاله حاضر درصدد تعیین میزان اطلاعات آماری بازار بورس با توجه به کانال های مستقیم و غیر مستقیم از چشم انداز علت معلولی است. لازم است اقدامات و نتایج مربوطه مورد آزمایش قرار گرفته و تکمیل شوند.
مفاهیم کاربردی- پژوهش های گذشته از تأثیر اطلاعات آماری موجود در بازار بورس بر روی نوسان قیمت سهام چشم پوشی نموده اند. این پژوهش، بخصوص از لحاظ مشکلات، نمونه ها، روش ها، و نتایج پژوهش، تا حدی یک مکمل مفید برای پژوهش های موجود به حساب می آید.
اصالت و اعتبار پژوهش- مدل SV با اطلاعات آماری از بازار سهام نه تنها می تواند به طور مؤثری مشکل ناکارآمدی استفاده از اطلاعات موجود در میزان سهام در شیوه های سنتی را حل نماید، بلکه دقت تخمین مدل را با نشان دادن اطلاعات آماری بازار بورس مدل از طریق پردازش وزنی، که یک مکمل مفید برای متون تحقیقاتی موجود است، بهبود می بخشد. الگوریتم SMC که با برنامه ریزی تحقق می یابد است پیشرفت وتوسعه الگوریتم های غیر پارامتریک مفید است. مقاله حاضر تلاش مفیدی برای تعیین میزان اطلاعات آماری بازار بورس نموده، برخی نتایج سودمند به دست آمده است.

4- نتیجه گیری

پژوهش های قبلی تأثیر اطلاعات حاوی میزان سهام بازار ارز خارجی در نوسان قیمت سهام را نادیده گرفته اند، که منجر به برآورد متعصبانه از پارامترهای مدل می شود. مدل SV-VOL با اطلاعات میزان سهام نه تنها می تواند به طور موثر مشکلات سنتی استفاده ناکافی از اطلاعات میزان سهام را حل کند، بلکه دقت تخمین مدل را بهبود می بخشد و یک مکمل مفید برای متون تحقیقاتی موجود با ارائه اطلاعات آماری به مدل از طریق پردازش وزنی محسوب می شود. الگوریتم اکتشافی SMC پیشرفت و توسعه الگوریتم غیر پارامتری در داخل را بهبود می بخشد و تلاش های مثبتی برای تایید وزن اطلاعات میزان سهام بازار ارز به دست می دهد و نتایج مفیدی ارائه می دهد. مشخص شده است که: 1) اطلاعات آماری مبادلات بازار سهام برای پیش بینی نوسان قیمت سهام مفید است. برآورد مدل SV-VOL با اطلاعات آماری مبادلات بازار سهام تنها ویژگی های روند همگرایی واقعی را نشان می دهد، اما سرعت همگرایی آهسته تری دارد، و چشم پوشی از اطلاعات آماری بازار ارز یکی از دلایل این امر تلقی می شود. نتایج این پژوهش نشان می دهد که هم اطلاعات شناخته شده و هم پیام های فوری می توانند بر روند شدت مبادلات در سطوح مختلف تأثیر بگذارند.

Abstract

Purpose In the process of discussing the relationship between volume and price in the stock market, the purpose of this paper is to consider how to take the flow of foreign capital into consideration, to determine whether the inclusion of volume information really contributes to the prediction of the volatility of the stock price.
Design/methodology/approach By comparing the relative advantages and disadvantages of the two main non-parametric methods mainstream, and taking the characteristics of the time series of the volume into consideration, the stochastic volatility with Volume (SV-VOL) model based on the APF-LW simulation method is used in the end, to explore and implement a more efficient estimation algorithm. And the volume is incorporated into the model for submersible quantization, by which the problem of insufficient use of volume information in previous research has been solved, which means that the development of the SV model is realized.
Findings Through the Sequential Monte Carlo (SMC) algorithm, the effective estimation of the SV-VOL model is realized by programming. It is found that the stock market volume information is helpful to the prediction of the volatility of the stock price. The exchange market volume information affects the stock returns and the price-volume relationship, which is achieved indirectly through the net capital into stock market. The current exchange devaluation and fluctuation are not conducive to the restoration and recovery of the stock market. Research limitations/implications It is still in the exploratory stage that whether the inclusion of volume information really contributes to the prediction of the volatility of the stock price, and how to incorporate the exchange market volume information. This paper tries to determine the information weight of the exchange market volume according to the direct and indirect channels from the perspective of causality. The relevant practices and conclusions need to be tested and perfected.
Practical implications Previous studies have neglected the influence of the information contained in the exchange market volume on the volatility of stock prices. To a certain extent, this research makes a useful supplement to the existing research, especially in the aspects of research problems, research paradigms, research methods and research conclusion.
Originality/value SV model with volume information can not only effectively solve the inefficiency of information use problem contained in volume in traditional practice, but also further improve the estimation accuracy of the model by introducing the exchange market volume information into the model through weighted processing, which is a useful supplement to the existing literature. The SMC algorithm realized by programming is helpful to the further advancement and development of non-parametric algorithms. And this paper has made a useful attempt to determine the weight of the exchange market volume information, and some useful conclusions are drawn.

4- Conclusions

Previous studies have neglected the influence of the information contained in the volume of foreign exchange market on the stock price volatility, which leads to the biased estimation of the model parameters. The SV-VOL model with volume information not only can effectively solve the traditional problem of insufficient use of volume information, but also further improve the estimation precision of the model and form a useful supplement to the existing literature by introducing the volume information into the model through weighted processing. The explorative SMC algorithm further advances and develops the non-parametric algorithm in the domestic, conducts beneficial attempts to confirm the information weight of exchange market volume, and gains some helpful conclusion. It is detected that: (1) The stock market trading volume information is helpful for the stock price volatility forecast. The SV-VOL model estimate with the stock market trading volume information only features obvious parameter convergence trend yet has slower convergence speed, and the negligence of exchange market volume information is deemed as one of the reasons. The research results show that both known information and instant messages can exert influence on the trading intensity at different levels.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی نوسانات ارزش سهام مبنی بر چشم انداز داده های آماری در بورس و بازار مبادلاتی

Forecast of stock price fluctuation based on the perspective of volume information in stock and exchange market

انتظارات بازده سهام در بازار اعتباری

Stock Return Expectations in the Credit Market

چکیده
1- شاخص های CSVIX و بازده مورد انتظار سهام
2- نوسانات بازار سهام بر طبق بازار مشتقات اعتباری
3- داده ها و نتایج تجربی
3-1- نتایج همبستگی
3-2- نتایج رگرسیون
3-3- طرح های انتخاب پرتفوی و تجارت ساده
4- آزمون های استحکام
5- نتیجه گیری

چکیده

در مقاله حاضر ما به محاسبه انتظارات بلندمدت بازده سهام (در چرخه کسب و کار) برای هر یک از شرکت ها با استفاده از اطلاعات حاصل از بازار مشتقات اعتباری پرداختیم. روش ما مبتنی بر نتایج نظری پیشین ادبیات انتظارات بازده سهام بوده و ما رابطه تنگاتنگ بین انتظارات بازده سهام اعتباری ضمنی و بازده سهام تحقق یافته آتی را به صورت تجربی نشان دادیم. هم چنین ما دریافتیم پرتفوی سهام انتخاب شده بر اساس پیش بینی بازده سهام اعتباری ضمنی بر پرتفوی با وزن برابر و پرتفوی موزون ارزش سهام یکسان خارج از نمونه تفوق دارد. برخلاف بسیاری از مطالعات دیگر، انتظارات / پیش بینی ما به جای آنکه در سطح پرتفوی صورت پذیرد در سطح هر یک از سهام انجام پذیرفت و به هیچ برآورد پارامتری با استفاده از قیمت سهام گذشته و یا مشاهدات دامنه اعتباری نیاز نمی باشد.

5- نتیجه گیری

در مقاله حاضر ما نحوه محاسبه انتظارات بازده سهام را با استفاده از اطلاعات بازار مشتقات اعتباری نشان دادیم. روش ما بر مبنای کار مارتین و واگنر (2016) است اما به جای استفاده از اختیار معامله خرید و فروش عادی برای نسبت دادن واریانس ریسک خنثی سهام ما از مبادله نکول اعتباری بهره بردیم. یکی از مزایای این رویکرد آن است که پیش بینی درازمدت بازده سهام را می توان انجام داد (در کل چرخه کسب و کار در صورت نیاز). مزیت دیگر آن است که انتظارات مزبور تحت بازار اعتباری هستند نه بازار سهام. بر طبق معلومات ما، مقاله حاضر نخستین تحقیقی است که به شکل گیری انتظارات دارایی های متقابل می پردازد. مانند مارتین و واگنر (2016)، انتظارات ما در سطح سهام فردی انجام می وشد نه در سطح پرتفوی و به هیچ برآورد پارامتری با استفاده از قیمت سهام گذشته و یا مشاهدات دامنه اعتباری نیاز نیست.

Abstract

In this paper we compute long-term stock return expectations (across the business cycle) for individual firms using information backed out from the credit derivatives market. Our methodology builds on previous theoretical results in the literature on stock return expectations and, empirically, we demonstrate a close relationship between credit-implied stock return expectations and future realized stock returns. We also find stock portfolios selected based on credit-implied stock return forecasts to beat equally- and value-weighted portfolios of the same stocks out-of-sample. Contrary to many other studies, our expectations/predictions are made at the individual stock level rather than at the portfolio level, and no parameter estimations using historical stock price- or credit spread observations are needed.

5- Conclusions

In this paper we have demonstrated how one can compute stock return expectations using information from the credit derivatives market. Our methodology builds on work by Martin and Wagner (2016) but instead of using ordinary call- and put options to impute risk-neutral stock variances we use credit default swaps. One advantage of this approach is that very long-term forecasts of stock returns can be made (across the entire business cycle if needed). Another advantage is that the expectations are those held by the credit market, not the equity market. As far as we know, this is the first paper that looks into such cross-asset expectation formation. Like in Martin and Wagner (2016), our expectations are made at the individual stock level rather than at the portfolio level and no parameter estimations using historical stock price- or credit spread observations are needed.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

انتظارات بازده سهام در بازار اعتباری

Stock Return Expectations in the Credit Market

کاربرد مدل‌های GARCH در مدل سازی و پیش‌بینی نوسانات بازار سهام شاخص کامپوزیت SSE

Modelling and forecasting the stock market volatility of SSE Composite Index using GARCH models

نکات برجسته:
1- پیشگفتار
1-1- مقدمه
1-2- هدف تحقیق
1-3- ساختار مقاله
2- مرور تحقیقات
2-1- بررسی تحقیقات جهانی
2-2- بررسی تحقیقات در چین
2-3- بررسی اجمالی بورس اوراق بهادار شانگهای
2-4- خلاصه‌ فصل
3- روش‌ شناسی
3-1- مدل ARCH
3-2- مدل GARCH متقارن
3-3- مدل ARCH-M
3-4- مدل GARCH نامتقارن
4- تجزیه و تحلیل تجربی
4-1- تجزیه و تحلیل آمار توصیفی
4-2- پردازش داده‌ها
4-3- آزمون ریشه‌ی واحد
4-4- آزمون تاثیر ARCH
انتخاب مرتبه‌ی تاخیر و تعیین معادله‌ی میانگین
آزمون خود-رگرسیون باقیمانده‌ها
آزمون ARCH-LM
4-5- تخمین مدل (GARCH(1,1
4-6- تخمین مدل (TARCH(1,1
4-7- تخمین مدل (EGARCH(1,1
4-8- نتیجه‌ پیش‌بینی
4-9- نتایج مقایسه‌ با مدل ARIMA
5- خلاصه
6- نتیجه‌گیری‌ها و پیشنهادات
6-1- نتیجه‌گیری‌ها
6-2- تجزیه و تحلیل دلایل
6-3- پیشنهادات
منابع

چکیده

بازار سهام به طور پیوسته با عدم قطعیت‌ها تغییر می‌کند. انتشار سریع اطلاعات و جریان سریع سرمایه منجر به نوسانات قیمت سهام خواهد شد و قیمت نوساندار روی بازده بازار اثر خواهد گذاشت. این، یک فرایند تاثیر متقابل و هدایت متقابل است. بازار سهام چین، که مربوط به بازار در حال ظهوری است، از همان ابتدا نوساندار بوده است و اغلب، بالا و پایین‌های رادیکالی را نشان می‌دهد. این مقاله، شاخص کامپوزیت SSE را به عنوان موضوع پژوهش، از طریق کاربرد مدل‌های نوع GARCH برای انجام تجزیه و تحلیل تجربی، با برجسته‌سازی ویژگی‌های این شاخص از چشم‌اندازی اقتصادی انتخاب می‌کند. و بر اساس وضعیت موجود نوسان شاخص کامپوزیت SSE، پیشنهاداتی را ارائه می‌دهد.
نتیجه نشان می‌دهد که از چشم‌انداز سری‌های زمانی، شاخص کامپوزیت SSE، ویژگی‌های مهم زمان-متغییر و خوشه‌بندی را پردازش می‌کند. توزیع سری این شاخص، لپتوکورتوزیس با اثرات قابل توجه ARCH و GARCH را ارائه می‌دهد. علاوه‌براین، با مقایسه تناسب و پیش‌بینی عملکرد GARCH(1,1) (متقارن) و TARCH(1,1) و EGARCH(1,1) می‌توان نتیجه گرفت که EGARCH(1,1) دارای عملکرد بهتری نسبه به بقیه است. علاوه‌براین، بازار اوراق بهادار چین باید ساختار سیستم خود را تقویت کند، دخالت بیش از حد دولت را کاهش دهد و از فلسفه سرمایه‌گذاری منطقی طرفداری کند.

6-3- پیشنهادات

برای یک بازار سهام سالم، نوسان نرمال، در فعالسازی بازار بسیار مفید است. از طریق تجزیه و تحلیل‌های قبلی می‌دانیم که مشکلات بسیاری در بازار اوراق بهادار وجود دارد. بنابراین، بر اساس وضعیت واقعی، توصیه‌های زیر را در جنبه‌ی خط‌ مشی ارائه می‌دهیم. 1) بهبود سیستم افشاگری اطلاعات. بازار سهام چین دارای ویژگی آشکار خوشه‌بندی نوسان است، عوامل غیر منطقی بسیاری در معاملات وجود دارند و قیمت بازار به شدت در نوسان است. اطلاعات ناکارامد بازار، کشف ارزش سهام و بهینه‌سازی منبع بازار را مشکل می‌سازند. با بهبود سیستم افشاگری اطلاعات، بازار می‌تواند نقش تخصیص منبع را به طور کامل ایفا کند. یک مکانیسم انتقال اطلاعات معقول می‌تواند فضای گمانه‌زنی را تسکین بخشد. 2) تقویت آموزش فلسفه‌ی سرمایه‌گذاری. اکثریت سرمایه‌گذاران خرده‌فروشی فاقد دانش و مهارت‌های مناسب در سرمایه‌گذاری اوراق بهادار هستند. آن‌ها سرمایه‌گذاری کوتاه مدت را ترجیح می‌دهند و اغلب تسلسل در عملیات تجاری را پیگیری می‌کنند. این امر منجر به کاهش علمی بودن بازار خواهد شد. بازار سهام چین به شدت نیاز به ارتقاء فلسلفه‌ی سرمایه‌گذاری منطقی دارد به طوری که سرمایه‌گذاران بیشتری قادر به انجام تجزیه و تحلیل خود بر اساس اطلاعات بازار باشند.

Abstract

The stock market is constantly changing with uncertainties. Rapid dissemination of information and fast capital flow will lead to fluctuations of stock price, and the undulating price will affect the market in return. This is a process of mutual influence and mutual conduction. China’s stock market, which pertains to an emerging market, has been acutely volatile since the very beginning, and often appear radical ups and downs. This paper selects the SSE Composite Index as research object, through the application of GARCH type models to conduct empirical analysis, carving the features of this index from an econometric perspective. And on basis of the status quo of the volatility of SSE Composite Index, it offers some suggestions.
The result shows that from the time series point of view, the SSE Composite Index possesses significant properties of time-varying and clustering. Series distribution of it presents leptokurtosis with significant ARCH and GARCH effects. Moreover, by comparing the fitting and forecast performance of GARCH (1, 1) (symmetric) and TARCH (1, 1) and EGARCH (1, 1) (asymmetric), it can be concluded that EGARCH (1, 1) outperforms the others. Besides, China’s securities market should strengthen its system construction, reduce excessive government intervention and advocate rational investment philosophy.

6-3- Suggestions

For a healthy stock market, the normal volatility is helpful in activating the market. Through the foregoing analyses we know that there exists many problems in the securities market. Therefore, based on the actual situation, I proposed the following recommendations in policy aspect. (1) Improve the information disclosure system. China’s stock market is of an evident characteristic of volatility clustering, a lot of irrational factors are inundated in the transactions, market price fluctuates intensely. The inefficient market information makes the discovery of stock value and resource optimisation of market difficult to be realised. By improving the information disclosure system, the market can fully play the role of resource allocation. A reasonable information transmission mechanism can alleviate the speculation atmosphere. (2) Strengthen investment philosophy education. The majority retail investors are lack of appropriate knowledge and skills in securities investment. They prefer short-term investment, and often follow suit in trade operations. This would lead to a reduction of market’s scientificity. China’s stock market strongly requires a promotion of rational investment philosophy, so that more investors are able to make their own analysis on the market information.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد مدل‌های GARCH در مدل سازی و پیش‌بینی نوسانات بازار سهام شاخص کامپوزیت SSE

Modelling and forecasting the stock market volatility of SSE Composite Index using GARCH models

بحران مالی در بازارهای کارامد: نقش بنیادگرایان در ایجاد نوسانات

Financial crises in efficient markets: How fundamentalists fuel volatility

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بحران مالی در بازارهای کارامد، نقش بنیادگرایان در ایجاد نوسانات

Financial crises in efficient markets: How fundamentalists fuel volatility

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.