BDI건화물운임지수의 변동성은 환율과 주가의 변동성을 크게 초과할 정도로 대단히 클 뿐만 아니라 변동성이 점차 커지고 있어서 운임을 예측하는데 많은 어려움을 겪고 있다. 이에 본고는 이러한 운임지수의 변동성을 정확히 포착할 수 있는 모형을 찾는데 목적을 둔다. 이를 위해 변동성 분석에 흔히 사용되는 대칭형 변동성 모형인 GARCH 모형과 비대칭 변동성 모형인 AGARCH모형, GJR모형, EGARCH모형을 도입한다. 그것은 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기할 가능성이 높기 때문이다. 먼저 운임의 예측불가능요소를 운임의 요일별 특성을 제거한 후 자기회귀를 하여 구한 후 GARCH 분석을 적용하는데 적합한 성격을 갖는가를 조사한다. 비대칭모형의 AGARCH모형에서는 비대칭을 나타내는 계수가 유의하나 부호가 모형의 예상과 달라 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기하지 않으며, EGARCH모형의 비대칭계수도 양의 부호로 모형의 예상과 반대일 뿐만 아니라 유의하지 않아 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기하지 않는다는 것, 그리고 GJR모형에서도 해당 계수가 음으로 모형과 반대로 유의하지 않아 음의 충격이 양의 충격보다 더 큰 변동성을 유발하지 않음을 보인다. 이에 따라 BDI건화물운임지수의 변동성은 GARCH모형을 이용하는 것이 합리적이라는 점을 보인다.
BDI건화물운임지수의 변동성은 환율과 주가의 변동성을 크게 초과할 정도로 대단히 클 뿐만 아니라 변동성이 점차 커지고 있어서 운임을 예측하는데 많은 어려움을 겪고 있다. 이에 본고는 이러한 운임지수의 변동성을 정확히 포착할 수 있는 모형을 찾는데 목적을 둔다. 이를 위해 변동성 분석에 흔히 사용되는 대칭형 변동성 모형인 GARCH 모형과 비대칭 변동성 모형인 AGARCH모형, GJR모형, EGARCH모형을 도입한다. 그것은 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기할 가능성이 높기 때문이다. 먼저 운임의 예측불가능요소를 운임의 요일별 특성을 제거한 후 자기회귀를 하여 구한 후 GARCH 분석을 적용하는데 적합한 성격을 갖는가를 조사한다. 비대칭모형의 AGARCH모형에서는 비대칭을 나타내는 계수가 유의하나 부호가 모형의 예상과 달라 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기하지 않으며, EGARCH모형의 비대칭계수도 양의 부호로 모형의 예상과 반대일 뿐만 아니라 유의하지 않아 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기하지 않는다는 것, 그리고 GJR모형에서도 해당 계수가 음으로 모형과 반대로 유의하지 않아 음의 충격이 양의 충격보다 더 큰 변동성을 유발하지 않음을 보인다. 이에 따라 BDI건화물운임지수의 변동성은 GARCH모형을 이용하는 것이 합리적이라는 점을 보인다.
This paper aims at measuring how new information is incorporated into volatility estimates. Various GARCH models are compared and estimated with daily BDI(Baltic Dry Index) data. While most researchers agree that volatility is predictable, they differ on how this volatility predictability should be ...
This paper aims at measuring how new information is incorporated into volatility estimates. Various GARCH models are compared and estimated with daily BDI(Baltic Dry Index) data. While most researchers agree that volatility is predictable, they differ on how this volatility predictability should be modelled. This study, hence, introduces the asymmetric or leverage volatility models, in which good news and bad news have different predictability for future. We provide the systematic comparison of volatility models focusing on the asymmetric effect of news on volatility. Specifically, three diagnostic tests are provided: the sign bias test, the negative size bias test, and the positive size bias test. From the Ljung-Box test statistic for twelfth-order serial correlation for the level we do not find any significant serial correlation in the unpredictable BDI. The coefficients of skewness and kurtosis both indicate that the unpredictable BDI has a distribution which is skewed to the left and significantly flat tailed. Furthermore, the Ljung-Box test statistic for twelfth-order serial correlations in the squares strongly suggests the presence of time-varying volatility. The sign bias test, the negative size bias test, and the positive size bias test strongly indicate that large positive(negative) BDI shocks cause more volatility than small ones. This paper, also, shows that three leverage models have problems in capturing the correct impact of news on volatility and that negative shocks do not cause higher volatility than positive shocks. Specifically, the GARCH model successfully reveals the shape of the news impact curve and is a useful approach to modeling conditional heteroscedasticity of daily BDI.
This paper aims at measuring how new information is incorporated into volatility estimates. Various GARCH models are compared and estimated with daily BDI(Baltic Dry Index) data. While most researchers agree that volatility is predictable, they differ on how this volatility predictability should be modelled. This study, hence, introduces the asymmetric or leverage volatility models, in which good news and bad news have different predictability for future. We provide the systematic comparison of volatility models focusing on the asymmetric effect of news on volatility. Specifically, three diagnostic tests are provided: the sign bias test, the negative size bias test, and the positive size bias test. From the Ljung-Box test statistic for twelfth-order serial correlation for the level we do not find any significant serial correlation in the unpredictable BDI. The coefficients of skewness and kurtosis both indicate that the unpredictable BDI has a distribution which is skewed to the left and significantly flat tailed. Furthermore, the Ljung-Box test statistic for twelfth-order serial correlations in the squares strongly suggests the presence of time-varying volatility. The sign bias test, the negative size bias test, and the positive size bias test strongly indicate that large positive(negative) BDI shocks cause more volatility than small ones. This paper, also, shows that three leverage models have problems in capturing the correct impact of news on volatility and that negative shocks do not cause higher volatility than positive shocks. Specifically, the GARCH model successfully reveals the shape of the news impact curve and is a useful approach to modeling conditional heteroscedasticity of daily BDI.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
때문에 이러한 변동성에 대한 분석이 이루어져야 한다. 본고는 2009년 1월 5일부터 2014년 7월 9일까지 BDI 건화물운임지수의 변동성의 특성을 파악하는데 목적을 두었다.
본고는 2009년 1월 5일부터 2014년 7월 9일까지 BDI 건화물운임지수의 변동성이 대칭적인가와 이러한 변동성을 파악하는 데 가장 적합한 변동성 모형을 식별하는 데 목적을 둔다. 본고는 다음과 같이 전개된다.
가설 설정
, ( )안은 유의수준임.
따라서 예측불능 운임변동률은 왜도와 첨도를 가지고 있으며 #의 Ljung-box 검정통계량은 시간변동 변동성(time-varying volatility)이 존재한다는 것을 강하게 보여주고 있다. 양의 쇼크와 음의 쇼크가 본고의 모형이 예측하지 못한 변동성에 미치는 효과가 다르지 않다는 가설에 대한 부호편의검정이 유의하여 음의 쇼크와 양의 쇼크가 변동성에 다른 크기의 영향을 미치고 있다. 음의 규모편의검정이 유의한 것으로 나타나서 음의 쇼크(negative shock) 크기에 따라 본고의 모형이 예상하지 못한 변동성에 미치는 효과가 다른 것으로 나타나고 있다.
제안 방법
먼저 운임을 3차 자기회귀를 통해 예측불가능부분을 도출하여 검정을 한 결과 시간변동 변동성이 강하게 존재한다는 것과 운임에 대한 나쁜 뉴스와 좋은 뉴스가 예측하지 못한 변동성에 다른 크기로 영향을 미친다는 것과 좋은 뉴스와 나쁜 뉴스가 크기에 따라 다르게 변동성에 영향을 미치는 것으로 나타나 4개의 변동성 모형을 적용하였다. 그 결과 비대칭 모형인 AGARCH모형, GJR모형, EGARCH모형은 비대칭을 나타내는 계수가 5%에서 유의하지 않거나 부호가 모형의 예측과 반대로 나타나 비대칭 효과가 존재하지 않았다.
이제 앞에서 밝힌 바와 같이 뉴스충격곡선을 통해 적합한 변동성 모형을 선택하기로 한다. 일반적인 GARCH모형은 조건부분산이 뉴스충격에 ∊t-1 = 0을 중심으로 대칭이기 때문에 동일 규모의 예상하지 못한 좋은 뉴스충격과 나쁜 뉴스충격은 동일 규모의 변동성을 야기한다.
대상 데이터
이후 하락과 상승이 대단히 빠르고 크게 이루어져, 동년 3월 25일 이후 2000선까지 밀렸으나 11월 5일 5027로 다시 5000선에 진입하였고 11월 30일에는 6051로 6000선까지 이르렀다. 그러나 곧바로 하락국면에 진입하여 2년 5개월만인 2007년 4월 24일에 6029로 6000선에 재진입하였다. 2007년 8월 10일 7011, 9월 5일 8090, 9월 24일 9082, 10월 10일 10218, 10월 26일 11033으로 대단히 빠른 속도로 상승한 후, 2008년 4월 2일 다시 7655까지 떨어졌다.
성능/효과
먼저 운임을 3차 자기회귀를 통해 예측불가능부분을 도출하여 검정을 한 결과 시간변동 변동성이 강하게 존재한다는 것과 운임에 대한 나쁜 뉴스와 좋은 뉴스가 예측하지 못한 변동성에 다른 크기로 영향을 미친다는 것과 좋은 뉴스와 나쁜 뉴스가 크기에 따라 다르게 변동성에 영향을 미치는 것으로 나타나 4개의 변동성 모형을 적용하였다. 그 결과 비대칭 모형인 AGARCH모형, GJR모형, EGARCH모형은 비대칭을 나타내는 계수가 5%에서 유의하지 않거나 부호가 모형의 예측과 반대로 나타나 비대칭 효과가 존재하지 않았다. 따라서 GARCH모형이 운임의 조건부 분산을 설명하는 데 가장 적합하다는 것을 알 수 있었으며 이것은 변동성 모형에 의한 변동성에 대한 부호편의검정, 음의 규모편의검정, 양의 규모편의검정, Ljung-Box 통계량이 4가지 변동성 모형에서 설정오류가 없다는 것을 보여줌으로써 확인할 수있었다.
그 결과 비대칭 모형인 AGARCH모형, GJR모형, EGARCH모형은 비대칭을 나타내는 계수가 5%에서 유의하지 않거나 부호가 모형의 예측과 반대로 나타나 비대칭 효과가 존재하지 않았다. 따라서 GARCH모형이 운임의 조건부 분산을 설명하는 데 가장 적합하다는 것을 알 수 있었으며 이것은 변동성 모형에 의한 변동성에 대한 부호편의검정, 음의 규모편의검정, 양의 규모편의검정, Ljung-Box 통계량이 4가지 변동성 모형에서 설정오류가 없다는 것을 보여줌으로써 확인할 수있었다.
또한 추정모형의 편의검정결과인 에서 부호편의검정은 GARCH모형, EGARCH모형, GJR모형에서 유의하여 양의 쇼크와 음의 쇼크가 본고가 세운 모형이 예측하지 못한 변동성에 미치는 효과가 다르다는 것을 보여주는데 비해 AGARCH모형에서는 유의하지 않아 음과 양의 쇼크가 다르지 않다는 것을 보여주고 있다.
또한 양의 규모편의검정 역시 유의하여 양의 쇼크(positive shock) 크기에 따라 본고의 모형이 예상하지 못한 변동성에 미치는 효과가 다르다. 이러한 결과와 더불어 부호편의와 규모편의를 결합하여 검정한 결합검정 역시 본고의 모형에 설정오류가 있다는 것을 보여주고 있다.
또한 양의 규모편의검정 역시 모두 유의하지 않아서 양의 쇼크 크기가 변동성에 영향을 미치지 않고 있다. 이러한 결과와 더불어 부호편의와 규모편의를 결합하여 검정한 결합검정은 본고의 모형에 설정오류(misspecification)가 없다는 것을 의미한다.
질의응답
핵심어
질문
논문에서 추출한 답변
BDI건화물운임지수의 변동성의 어떤 특성때문에 운임을 예측하는데 많은 어려움을 겪고 있는가?
BDI건화물운임지수의 변동성은 환율과 주가의 변동성을 크게 초과할 정도로 대단히 클 뿐만 아니라 변동성이 점차 커지고 있어서 운임을 예측하는데 많은 어려움을 겪고 있다. 이에 본고는 이러한 운임지수의 변동성을 정확히 포착할 수 있는 모형을 찾는데 목적을 둔다.
운임지수의 변동성을 정확히 포착 할 수 있는 모형을 찾기위해 무엇을 도입하였는가?
이에 본고는 이러한 운임지수의 변동성을 정확히 포착할 수 있는 모형을 찾는데 목적을 둔다. 이를 위해 변동성 분석에 흔히 사용되는 대칭형 변동성 모형인 GARCH 모형과 비대칭 변동성 모형인 AGARCH모형, GJR모형, EGARCH모형을 도입한다. 그것은 나쁜 뉴스가 좋은 뉴스보다 더 큰 변동성을 야기할 가능성이 높기 때문이다.
변동성을 예측하는 데 있어서 가장 중요한 것은 무엇인가?
, 1992; Ederington and Guan, 2005; Lopez, 2001). 변동성을 예측하는 데 있어서 가장 중요한 것은 변동성을 정확히 추정할 수 있는 모형의 설정과 선택이다. 그것은 모형을 잘못 선택하거나 설정하여 추정할 경우 추정결과의 오류가 발생하거나 중요한 정보를 찾아내지 못할 가능성이 있기 때문이다.
Berg, L. and J. Lyhagen, "Short and Long-Run Dependency in Swedish Stock Returns," Applied Financial Economics, Vol. l8, 1998, 435-443.
Black, F., "Studies in Stock Price Volatility Changes," Proceedings of the 1976 Business Meeting of the Business and Economics Statistics Section, American Statistical Association, 1976, 177-181.
Campbell, J. and L. Hentschel, "No News is Good News: An Asymmetric Model of Changing Volatility in Stock Returns," Journal of Financial Economics, Vol. 31, 1992, 81-318.
Chou, R., "Volatility Persistence and Stock Valuations: Some Empirical Evidence Using GARCH," Journal of Applied Econometrics, Vol. 3, 1988, 279-294.
Christie, A., "The Stochastic Behavior of Common Stock Variance: Value, Leverage and Interest Rate Effects," Journal of Financial Economics, Vol. 10, 1982, 407-432.
Dickey, D.A., and W.A. Fuller, "Distribution of the Estimators for Autoregressive Time Series with a Unit Root," Journal of the American Statistical Association, Vol. 74, 1979, 427-431.
Dickey, D.A., and W.A. Fuller, "The Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root,"Econometrica, Vol. 49, 1981, 1057-1072.
Engle, R., Wald Likelihood Ratio, and Lagrange Multiplier Tests in Econometrics, in: Z. Grrliches and M.D. Intriigator, eds.: Handbook of Econometrics, Vol. 2, North Holland, Amsterdam, 1984.
Engle, R., and D. Kraft, "Multiperiod Forecast Error Variances of Inflation Estimated from ARCH Models," in A. Zellner, ed.: Applied Time Series Analysis of Economic Data, Bureau of the Census, Washington, D.C., 1983, 293-302.
Engle, R.F. and V.K. Ng, "Measuring and Testing the Impact of News on Volatility," Journal of Finance, Vol. 48, 1993, 1749-1778.
Fuller, W.A., Introduction to Statistical Time Series, New York, Wiley, 1976.
Glosten, L., R. Jaganathan, and D. Runkle, "On the Relation Between the Expected Value and Volatility of The Nominal Excess Return on Stocks," Journal of Finance, Vol. 48, 1993, 1779-1801.
Gonzalez-Rivera, G., T-H. Lee, and S. Mishra, "Forecasting Volatility: A Reality Check Based on Option Pricing, Utility Function, Value-at-Risk, and Predictive Likelihood," International Journal of Forecasting, Vol. 20, 2004, 629-645.
Mikosch, T. and C. Starica, "Nonstationarities in Financial Time Series, the Long-Range Dependence, and the IGARCH Effects," Review of Economics and Statistics, 86, 2004, 378-390.
Rapach, D. E. and J. K. Struass, "Structural Breaks and GARCH Models of Exchange Rate Volatility," Journal of Applied Econometrics, Vol. 23, 2008, 65-90.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.