본 연구는 Hamilton and Susmel(1994)에 의해 개발된 마코브국면전환 ARCH모형을 이용하여 글로벌 주식시장의 구조적 변화와 변동성을 파악하고자 하였다. 본 연구를 요약하면, 첫째, SWARCH-L(3,2)모형의 결과, 미국, 이탈리아 및 아일랜드는 상태 1에서 상태 2로의 국면전환으로 변화가 없고 상태 1에서 상태 3으로의 국면전환은 5배 이상의 분산증가를 나타내었으나, 한국, 러시아, 인도 및 그리스는 상태 1에서 상태 2로의 국면전환으로 2배 이상이고, 상태 1에서 상태 3으로의 국면전환은 7배 이상의 분산이 더욱 증가되었다. 평균값의 결과, 상태 1에서 상태 2로의 점프는 3배, 상태 1에서 상태 3으로의 전환은 13배의 위험이 증가되었다. 그리고 한국, 미국, 인도, 이탈리아는 ARCH(1)과 ARCH(2)효과를 나타내었고, 대부분의 주식시장에서 레버리지(leverage)와 비대칭효과는 존재하였다. 둘째, 평균전이확률의 결과, 한국의 저변동성국면의 지속성(278일)이 가장 커서 장기적인 것으로 추정되었고 동일한 변동성국면간의 확률은 거의 1에 가까워 높은 지속성을 나타내었다. 셋째, Chow 결과, 아시아, 글로벌 및 유럽발 금융위기를 포함한 설정된 5개 기간에서 주식시장간의 구조적 변화(structural changes)가 존재하였다. 또한 1-Step 예측오차 결과, 1997년과 1998년의 아시아의 금융위기동안 러시아를 제외하고 대부분 주식시장이 불안정하고, 2007년과 2008년의 글로벌 금융위기동안에 한국을 제외하고 다른 주식수익률이 불안정하고, 2010과 2011의 유럽발 금융위기동안에 한국, 미국, 러시아 및 인도를 제외하고 대부분의 주식시장도 불안정하고, N-Step 결과에서는 1997년부터 2008년까지의 아시아와 글로벌 금융위기동안 대부분의 주식시장이 불안정하였다. 반면에 CUSUM검정에서 아시아의 위기인 1997년과 1998년에는 거의 변화가 없었고, 일부 국가를 제외하고 2000년대 후반까지 모든 주식시장이 안정적으로 나타났다. CUSUMSQ검정에서는 1997년 7월부터 2011년 12월까지 아시아와 글로벌 및 유럽발 금융위기 동안에 대부분의 주식시장이 국가별로 안정과 불안정이 혼재하였다. 넷째, 우도비 검정결과, 한국과 타국의 주식시장의 변동성간의 밀접한 관련성을 확인하였다. 따라서 본 연구는 첫째, 여러 금융위기동안의 주식시장의 고변동성을 발생시키는 에피소드 또는 사건들을 파악하였고, 둘째, 주식시장의 변동성의 지속성에서 저변동성국면에서 위기변동성국면으로의 전환보다는 고변동성국면으로의 국면전환으로 분산이 더욱 증가되었고, 셋째, 국가 기간별로 동일하지는 않을지라도 고변동성국면은 1990년대 말 이후의 비즈니스 불경기와 관련이 있었고, 넷째, 주식시장에 레버리지와 비대칭효과가 존재하였고, 다섯째, Lamoureux and Lastrapes(1990)의 주식시장의 구조적 위험의 변화로 인한 결과와 본 연구의 결과와 일치하였다는 것을 확인하였고 $An\acute{e}$ and Ureche-Rangau(2006)의 다양한 비선형의 국면전환모형을 사용하여 보다 정교한 추가적인 분석이 필요하다.
본 연구는 Hamilton and Susmel(1994)에 의해 개발된 마코브국면전환 ARCH모형을 이용하여 글로벌 주식시장의 구조적 변화와 변동성을 파악하고자 하였다. 본 연구를 요약하면, 첫째, SWARCH-L(3,2)모형의 결과, 미국, 이탈리아 및 아일랜드는 상태 1에서 상태 2로의 국면전환으로 변화가 없고 상태 1에서 상태 3으로의 국면전환은 5배 이상의 분산증가를 나타내었으나, 한국, 러시아, 인도 및 그리스는 상태 1에서 상태 2로의 국면전환으로 2배 이상이고, 상태 1에서 상태 3으로의 국면전환은 7배 이상의 분산이 더욱 증가되었다. 평균값의 결과, 상태 1에서 상태 2로의 점프는 3배, 상태 1에서 상태 3으로의 전환은 13배의 위험이 증가되었다. 그리고 한국, 미국, 인도, 이탈리아는 ARCH(1)과 ARCH(2)효과를 나타내었고, 대부분의 주식시장에서 레버리지(leverage)와 비대칭효과는 존재하였다. 둘째, 평균전이확률의 결과, 한국의 저변동성국면의 지속성(278일)이 가장 커서 장기적인 것으로 추정되었고 동일한 변동성국면간의 확률은 거의 1에 가까워 높은 지속성을 나타내었다. 셋째, Chow 결과, 아시아, 글로벌 및 유럽발 금융위기를 포함한 설정된 5개 기간에서 주식시장간의 구조적 변화(structural changes)가 존재하였다. 또한 1-Step 예측오차 결과, 1997년과 1998년의 아시아의 금융위기동안 러시아를 제외하고 대부분 주식시장이 불안정하고, 2007년과 2008년의 글로벌 금융위기동안에 한국을 제외하고 다른 주식수익률이 불안정하고, 2010과 2011의 유럽발 금융위기동안에 한국, 미국, 러시아 및 인도를 제외하고 대부분의 주식시장도 불안정하고, N-Step 결과에서는 1997년부터 2008년까지의 아시아와 글로벌 금융위기동안 대부분의 주식시장이 불안정하였다. 반면에 CUSUM검정에서 아시아의 위기인 1997년과 1998년에는 거의 변화가 없었고, 일부 국가를 제외하고 2000년대 후반까지 모든 주식시장이 안정적으로 나타났다. CUSUMSQ검정에서는 1997년 7월부터 2011년 12월까지 아시아와 글로벌 및 유럽발 금융위기 동안에 대부분의 주식시장이 국가별로 안정과 불안정이 혼재하였다. 넷째, 우도비 검정결과, 한국과 타국의 주식시장의 변동성간의 밀접한 관련성을 확인하였다. 따라서 본 연구는 첫째, 여러 금융위기동안의 주식시장의 고변동성을 발생시키는 에피소드 또는 사건들을 파악하였고, 둘째, 주식시장의 변동성의 지속성에서 저변동성국면에서 위기변동성국면으로의 전환보다는 고변동성국면으로의 국면전환으로 분산이 더욱 증가되었고, 셋째, 국가 기간별로 동일하지는 않을지라도 고변동성국면은 1990년대 말 이후의 비즈니스 불경기와 관련이 있었고, 넷째, 주식시장에 레버리지와 비대칭효과가 존재하였고, 다섯째, Lamoureux and Lastrapes(1990)의 주식시장의 구조적 위험의 변화로 인한 결과와 본 연구의 결과와 일치하였다는 것을 확인하였고 $An\acute{e}$ and Ureche-Rangau(2006)의 다양한 비선형의 국면전환모형을 사용하여 보다 정교한 추가적인 분석이 필요하다.
This study examined the structural changes and volatility in the global stock markets using a Markov Regime Switching ARCH model developed by the Hamilton and Susmel (1994). Firstly, the US, Italy and Ireland showed that variance in the high volatility regime was more than five times that in the low...
This study examined the structural changes and volatility in the global stock markets using a Markov Regime Switching ARCH model developed by the Hamilton and Susmel (1994). Firstly, the US, Italy and Ireland showed that variance in the high volatility regime was more than five times that in the low volatility, while Korea, Russia, India, and Greece exhibited that variance in the high volatility regime was increased more than eight times that in the low. On average, a jump from regime 1 to regime 2 implied roughly three times increased in risk, while the risk during regime 3 was up to almost thirteen times than during regime 1 over the study period. And Korea, the US, India, Italy showed ARCH(1) and ARCH(2) effects, leverage and asymmetric effects. Secondly, 278 days were estimated in the persistence of low volatility regime, indicating that the mean transition probability between volatilities exhibited the highest long-term persistence in Korea. Thirdly, the coefficients appeared to be unstable structural changes and volatility for the stock markets in Chow tests during the Asian, Global and European financial crisis. In addition, 1-Step prediction error tests showed that stock markets were unstable during the Asian crisis of 1997-1998 except for Russia, and the Global crisis of 2007-2008 except for Korea and the European crisis of 2010-2011 except for Korea, the US, Russia and India. N-Step tests exhibited that most of stock markets were unstable during the Asian and Global crisis. There was little change in the Asian crisis in CUSUM tests, while stock markets were stable until the late 2000s except for some countries. Also there were stable and unstable stock markets mixed across countries in CUSUMSQ test during the crises. Fourthly, I confirmed a close relevance of the volatility between Korea and other countries in the stock markets through the likelihood ratio tests. Accordingly, I have identified the episode or events that generated the high volatility in the stock markets for the financial crisis, and for all seven stock markets the significant switch between the volatility regimes implied a considerable change in the market risk. It appeared that the high stock market volatility was related with business recession at the beginning in 1990s. By closely examining the history of political and economical events in the global countries, I found that the results of Lamoureux and Lastrapes (1990) were consistent with those of this paper, indicating there were the structural changes and volatility during the crises and specificly every high volatility regime in SWARCH-L(3,2) student t-model was accompanied by some important policy changes or financial crises in countries or other critical events in the international economy. The sophisticated nonlinear models are needed to further analysis.
This study examined the structural changes and volatility in the global stock markets using a Markov Regime Switching ARCH model developed by the Hamilton and Susmel (1994). Firstly, the US, Italy and Ireland showed that variance in the high volatility regime was more than five times that in the low volatility, while Korea, Russia, India, and Greece exhibited that variance in the high volatility regime was increased more than eight times that in the low. On average, a jump from regime 1 to regime 2 implied roughly three times increased in risk, while the risk during regime 3 was up to almost thirteen times than during regime 1 over the study period. And Korea, the US, India, Italy showed ARCH(1) and ARCH(2) effects, leverage and asymmetric effects. Secondly, 278 days were estimated in the persistence of low volatility regime, indicating that the mean transition probability between volatilities exhibited the highest long-term persistence in Korea. Thirdly, the coefficients appeared to be unstable structural changes and volatility for the stock markets in Chow tests during the Asian, Global and European financial crisis. In addition, 1-Step prediction error tests showed that stock markets were unstable during the Asian crisis of 1997-1998 except for Russia, and the Global crisis of 2007-2008 except for Korea and the European crisis of 2010-2011 except for Korea, the US, Russia and India. N-Step tests exhibited that most of stock markets were unstable during the Asian and Global crisis. There was little change in the Asian crisis in CUSUM tests, while stock markets were stable until the late 2000s except for some countries. Also there were stable and unstable stock markets mixed across countries in CUSUMSQ test during the crises. Fourthly, I confirmed a close relevance of the volatility between Korea and other countries in the stock markets through the likelihood ratio tests. Accordingly, I have identified the episode or events that generated the high volatility in the stock markets for the financial crisis, and for all seven stock markets the significant switch between the volatility regimes implied a considerable change in the market risk. It appeared that the high stock market volatility was related with business recession at the beginning in 1990s. By closely examining the history of political and economical events in the global countries, I found that the results of Lamoureux and Lastrapes (1990) were consistent with those of this paper, indicating there were the structural changes and volatility during the crises and specificly every high volatility regime in SWARCH-L(3,2) student t-model was accompanied by some important policy changes or financial crises in countries or other critical events in the international economy. The sophisticated nonlinear models are needed to further analysis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 우도비검정을 통해 각 6개 국가의 주식시장의 변동성에서 한국의 주식시장의 변동성으로의 전이와 한국과 6개 국가의 주식시장의 변동성간 여러 방향의 반응을 관찰함으로써 한국과 타국의 주식시장의 변동성간의 여러 관련성을 확인하였다.
본 연구는 Hamilton and Susmel(1994)에 의해 개발된 계량경제학적 모형인 마코브국면전환 ARCH모형을 이용하여 글로벌 주식시장의 구조적 변화와 변동성을 파악하고자 하였다.
본 연구는 한국주식시장의 변동성에 대하여 계량경제학적으로 모형화하는데 관심을 둔다. 한국의 주식시장은 1962년에 설립되었다.
본 연구의 목적은 한국주식시장의 변동성을 적절하게 계산할 수 있는 계량경제학적 모형인 SWARCH 모형을 이용하여 구조적 변화와 변동성간의 관련성을 파악하고자 한다. 본 연구는 Hamilton and Susmel(1994)에 의해 개발된 마코브국면전환 ARCH모형, Engle(1982), Bollerslev(1986) 및 Nelson(1991)에 의해 소개된 GARCH류의 모형을 이용한다.
제안 방법
첫째는 변동성 국면전환의 존재여부를 파악하는 것과 관련하여 각 주식시장에 대한 변동성의 구조변화가 존재하는가를 조사하고 각 시장의 변동성의 구조적 전환점을 내생적으로 결정하기 위하여 Hamilton and Susmel(1994)에 의해서 개발된 Markov Switching ARCH(SWARCH)의 연구방법을 적용한다. 둘째, SWARCH모형의 검정결과를 바탕으로 본 연구는 시장간 동적인 연계성을 조사한다. 따라서 이러한 SWARCH설정으로 비선형형태로 주식시장간 동적인 연계성의 조사가 가능하다.
또한 이를 바탕으로 부터 까지의 7개 주식시 장의 안정성검정(stability tests)결과를 살펴본다.
본 연구에서는 7개 주식수익률의 구조적 관계를 검정하기 위하여 1997년 7월 10일부터 2015년 3월 21일까지의 기간에 대하여 구조적 변화가 존재하는지를 의 Chow 검정(H0 : No Structural Changes)을 사용하여 분석한다.
대상 데이터
본 연구는 한국의 KOSPI(Kor), 미국의 S&P500(US), 러시아의 RTSL(Rus), 인도의 Sensex(Ind), 그리스의 종합지수(Gre), 이탈리아의 FTSE100(Ita), 아일랜드의 ISEQ(Ire)의 일별 종가를 코스콤과 Yahoo 및 Google 등에서 이용한다.
본 연구는 한국의 KOSPI(Kor), 미국의 S&P500(US), 러시아의 RTSL(Rus), 인도의 Sensex(Ind), 그리스의 종합지수(Gre), 이탈리아의 FTSE100(Ita), 아일랜드의 ISEQ(Ire)의 일별 종가를 코스콤과 Yahoo 및 Google 등에서 이용한다. 전체기간은 1997년 7월 10일부터 2015년 3월 21일까지인데, 하위기간으로 1기간은 아시아의 금융 위기 기간인 1997년 7월 10일부터 한국의 IMF 구제금융 최종 상환일인 2001년 8월 23일까지, 2기 간은 러시아와 미국발 금융위기를 포함한 2007년 4월 2일부터 미국의 금융안정정책 발표일인 2009년 2월 10일까지, 3기간은 그리스의 IMF 구제금융 신청일인 2010년 4월 1일부터 2011년 12월 30일까지, 4기간은 세계의 증시가 저점을 형성한 날 인 2012년 1월 2일부터 2015년 3월 21일까지로 구분한다. 이러한 종가는 로그와 차분으로 변환시킨 변수, 즉 Ri,t = dlog(Pi,t) x 100, i=1,.
데이터처리
다음으로 반복적(축차적) 잔차(recursive residuals)를 추정하여 1-Step과 N-Step 예측오차검정, CUSUM(Cumulative sum of recursive residuals) 검정, CUSUMSQ(CUSUM of squares)검정(H0 : Parameter Stability)을 실시한다.
Chow검정은 선험적으로 구조적 변화시점을 전제하여야 하는 반면, 반복적 회귀분석을 이용하는 방법은 사후적으로 구조적 변화를 검토할 수 있다. 따라서 본 연구에서는 다양한 시점의 구조적 변화를 검토할 수 있는 N-Step 예측오차검정과 Chow검정을 비교하였다.
이론/모형
또한 Cai(1994)는 미국의 재무성증권 수익률의 변동성을 분석하기 위해서 동일한 모형을 모수화 하였다(Turner, Startz and Nelson, 1989; Dueker, 1997; Schaller and Norden, 1997). 그리고 Ramchond and Susmel(1998)는 전세계의 주요 주식시장간에 상관관계를 조사하기 위해서 이변량 SWARCH모형을 적용하였다(Gomez-Puig and Montalvo, 1997; Susmel and Thompson, 1998).
본 연구의 목적은 한국주식시장의 변동성을 적절하게 계산할 수 있는 계량경제학적 모형인 SWARCH 모형을 이용하여 구조적 변화와 변동성간의 관련성을 파악하고자 한다. 본 연구는 Hamilton and Susmel(1994)에 의해 개발된 마코브국면전환 ARCH모형, Engle(1982), Bollerslev(1986) 및 Nelson(1991)에 의해 소개된 GARCH류의 모형을 이용한다. 특히 본 연구는 다음과 같은 이슈에 관심을 둔다.
본 연구는 두 가지로 구성한다. 첫째는 변동성 국면전환의 존재여부를 파악하는 것과 관련하여 각 주식시장에 대한 변동성의 구조변화가 존재하는가를 조사하고 각 시장의 변동성의 구조적 전환점을 내생적으로 결정하기 위하여 Hamilton and Susmel(1994)에 의해서 개발된 Markov Switching ARCH(SWARCH)의 연구방법을 적용한다. 둘째, SWARCH모형의 검정결과를 바탕으로 본 연구는 시장간 동적인 연계성을 조사한다.
성능/효과
<그림 1>에서 한국의 경우, 반복적 잔차 (recursive residuals)와 관련된 1-Step과 N-Step 예측오차 검정결과에서 실선으로 나타나는 부분은 반복적 회귀계수값의 잔차이며, 점선은 2 표준오차를 나타내고 그림 하단 부분의 동그라미는 각 1%, 5%, 10% 등에서 계수값의 안정성을 기각하는 경우를 나타낸다. 1-Step 검정결과에서 1997년 7월부터 2004년 4월말까지, 글로벌 금융 위기기간과 관련된 2007년 1월부터 2008년 11월까지 계수값이 안정 또는 불안정하고 2011년 8 월부터 2015년 3월까지 거의 모두 안정적이었고, N-Step 결과에서 1997년 7월부터 10월까지의 계수값이 안정 또는 불안정한 것으로 나타났고 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점 선내에 있어 안정적이었고, 또한 CUSUMSQ검정에서는 계수값이 점선을 벗어난 1997년 12월 말부터 2011년 6월초까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
1-Step 검정결과에서 1997년 7월부터 2004년 4월말까지, 글로벌 금융 위기기간과 관련된 2007년 1월부터 2008년 11월까지 계수값이 안정 또는 불안정하고 2011년 8 월부터 2015년 3월까지 거의 모두 안정적이었고, N-Step 결과에서 1997년 7월부터 10월까지의 계수값이 안정 또는 불안정한 것으로 나타났고 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점 선내에 있어 안정적이었고, 또한 CUSUMSQ검정에서는 계수값이 점선을 벗어난 1997년 12월 말부터 2011년 6월초까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
N-Step 결과에서는 1997년 7월부터 2010년 8월중까지의 계수값이 지속적으로 매우 불안정한 것으로 나타나, 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점선내에 있어 안정적이고, CUSUMSQ검정에서 계수값이 점선을 벗어난 1998년 8월말부터 2010년 8월말까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
N-Step 결과에 서는 1997년 7월부터 1998년 4월말까지, 2005년 12월중부터 2007년 12월중까지 계수값이 불안정한 것으로 나타나 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점선내에 있어 안정적이고, CUSUMSQ검정에서는 계수값이 점선을 벗어난 1998년 8월중부터 2010년 8월말까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
N-Step 결과에서는 1997년 7월부터 1998년 8월말까지, 1999년 4월중부터 2003년 3월말까지, 2000년 5월말부터 12월말까지, 2001년 11월중부 터 2002년 5월중까지, 2004년 1월초부터 2008년 6월말까지 계수값이 지속적으로 불안정한 것으로 나타나, 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점선내에 있어 안정적이었고, CUSUMSQ검정 에서 계수값이 점선을 벗어난 2004년 9월말부터 2008년 6월중까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
CUSUM 검정결과에서는 계수값이 벗어난 2001년 11월중부터 2008년 8월말까지 불안정하고, CUSUMSQ 검정에서도 계수값이 점선을 벗어난 1998년 7월중부터 2005년 4월말까지, 2008년 10월 중부터 2010년 7월중까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
N-Step 결과에서는 1997년 7월부터 2008년 10월말까지의 계수값이 지속적으로 매우 불안정한 것으로 나타나 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 점선내에 잇어 안정적이고, CUSUMSQ검정 에서 계수값이 점선을 벗어난 2000년 5월중부터 20081년 7월말까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
N-Step 결과에서는 1997년 7월부터 2002년 9월 말까지, 2004년 3월초부터 2008년 12월초까지 계수값이 불안정하나 2002년 10월부터 2004년 2월 말까지, 2008년 12월말부터 2011년 5월중까지 계수값이 안정적으로 나타났으나, 7개의 주식시장의 구조적 변화가 이루어지지 않는다는 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 점선내에 있어 안정적이고, CUSUMSQ검정에서 계수값이 점선을 벗어난 2000년 12월초부터 2002년 6월말까지, 2004년 10월말부터 2008년 10월말까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
<그림 3>에서 러시아의 경우, 1-Step 검정결과에서 1997년 7월부터 2001년 11월말까지, 2003년 7월중 부터 2010년 3월중까지의 계수값이 안정적이면서 동시에 불안정하게 나타났다. N-Step 결과에서는 1997년 7월부터 10월말까지의 계수값이 안정 또는 불안정하고, 2007년 1월중부터 2008년 8월말까지 계수값이 불안정한 것으로 나타나, 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 벗어난 2001년 11월중부터 2008년 8월말까지 불안정하고, CUSUMSQ 검정에서도 계수값이 점선을 벗어난 1998년 7월중부터 2005년 4월말까지, 2008년 10월 중부터 2010년 7월중까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
<그림 2>에서 미국의 경우, 1-Step 검정결과 에서 1997년 7월부터 2003년 2월말까지 계수값이 안정적이면서 동시에 불안정하고 2003년 3월 초부터 2006년 11월말까지 안정적이고 글로벌 금융위기기간이 포함된 2006년 12월부터 2010년 2월초까지는 안정 또는 불안정이 반복되고 2011년 2월부터 11월말까지 불안정하고 2011년 12월부터 2015년 3월까지 안정적으로 나타났다. N-Step 결과에서는 1997년 7월부터 1998년 8월말까지, 1999년 4월중부터 2003년 3월말까지, 2000년 5월말부터 12월말까지, 2001년 11월중부 터 2002년 5월중까지, 2004년 1월초부터 2008년 6월말까지 계수값이 지속적으로 불안정한 것으로 나타나, 7개 주식시장의 구조적 변화가 이루어지지 않는다는 이전의 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 모두 점선내에 있어 안정적이었고, CUSUMSQ검정 에서 계수값이 점선을 벗어난 2004년 9월말부터 2008년 6월중까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
<그림 6>에서 이탈리아의 경우, 1-Step 검정 결과에서 1997년 7월부터 2003년 5월중까지, 2007년 3월중부터 2015년 3월까지의 계수값이 안정적이면서 동시에 불안정하였으나, 2003년 6월부터 2007년 2월까지는 안정적으로 나타났다. N-Step 결과에서는 1997년 7월부터 2002년 9월 말까지, 2004년 3월초부터 2008년 12월초까지 계수값이 불안정하나 2002년 10월부터 2004년 2월 말까지, 2008년 12월말부터 2011년 5월중까지 계수값이 안정적으로 나타났으나, 7개의 주식시장의 구조적 변화가 이루어지지 않는다는 Chow 검정결과와는 일치하지 않았다. CUSUM 검정결과에서는 계수값이 점선내에 있어 안정적이고, CUSUMSQ검정에서 계수값이 점선을 벗어난 2000년 12월초부터 2002년 6월말까지, 2004년 10월말부터 2008년 10월말까지 불안정하고 이외의 기간의 계수값은 안정적으로 나타났다.
각 주식시장에 대한 의 AR(1)- SWARCH-L(3,2) Student-t 모형의 검정결과를 살펴보면, 첫째, 조건부 평균식에서 일부의 한국, 그리스 및 이탈리아를 제외한 계수 α와 β는 통계적으로 1% 유의수준에서 유의하였다.
공헌점으로 본 연구는 마코브국면전환 ARCH 모형을 이용하여 아시아와 글로벌 및 유럽발 금융위기기간 동안, 첫째, 주식시장의 고변동성을 발생시키는 에피소드 또는 사건들을 파악하였고, 둘째, 주식수익률의 변동성의 지속성에서 저변동성국면에서 위기변동성국면으로의 전환보다는 고변동성국면으로의 국면전환으로 분산이 더욱 증가되었고, 셋째, 국가별 기간별 동일하지는 않을지라도 고변동성국면은 1990년대 말 이후의 비즈니스 불경기와 관련이 있고, 넷째, 주식수익률의 하락이 증가보다 더 큰 변동성을 유발한다는 레버리지와 비대칭효과가 존재한다는 것을 파악하였으며, 다섯째, Lamoureux and Lastrapes (1990)은 변동성의 지속성의 발생원인이 주식수익률내에서 발생한다고 주장한 주식시장의 구조적 위험의 변화로 인한 결과와 본 연구의 결과 와 일치하였다고 볼 수 있고 Ané and UrecheRangau(2006)에서 언급된 다양한 비선형의 국면 전환모형을 사용하여 보다 정교한 추가적인 분석이 필요하다.
넷째, ARCH(1)과 ARCH(2)효과를 나타내는 계수 α1, α2에서 한국, 미국, 인도, 이탈리아는 모두 유의하고, 그리스는 ARCH(1)효과, 러시아와 아일랜드는 ARCH(2)효과가 존재하였다.
넷째, 우도비 검정결과를 통해 각 6개 국가의 주식시장의 변동성에서 한국의 주식시장의 변동성으로의 전이와 한국과 6개 국가의 주식시장의 변동성간 여러 방향의 반응을 관찰함으로써 한국과 타국의 주식시장의 변동성간의 여러 관련성을 확인하였다.
저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 92, 55, 51일로 저변동성 국면의 지속기간이 상당히 장기적인 것으로 추정되었다. 넷째, 인도의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면일 확률은 거의 1에 가깝고 전전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.
다변량 비대칭 BEKK모형의 우도비 검정결과를 나타내는 의 검정결과, 한국의 주식시장의 변동성은 각 6개 국가의 주식시장의 변동성에 영향을 미치지 않고 동시에 각 6개 국가의 주식시장의 변동성에 의해 영향을 받지 않는다는 ①부터 ⑮까지의 모든 귀무가설은 1% 유의수준에서 통계적으로 유의하여 기각되었다.
다섯째, 그리스를 제외하고 다른 모든 주식시장의 이유의한 양(+)의 값으로 나타나 레버리지와 비대칭효과는 존재하였다.
저변동성국면, 위기변동성국면, 고변동성 국면의 기대지속기간은 각 약 82, 32, 15일로 저변동성국면의 지속기간이 더 장기적인 것으로 추정되었다. 다섯째, 그리스의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성일 확률은 거의 1에 가깝고 전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.
특히 본 연구는 다음과 같은 이슈에 관심을 둔다. 첫째, 한국주식시장의 비선형성 변동성에 대한 증거가 존재하는가, 만약 그렇다면 마코브국면전환 ARCH모형에 의해 비선형성의 특성을 나타낼 수 있는가 또는 적절한 시장요인들에 의해서 설명되는 국면이 파악될 수 있는가? 둘째, SWARCH모형의 예측성과가 GARCH모형의 성과보다 더욱 우수한가? 셋째, 비대칭적 레버리지효과가 한국주식시장에 존재하는가? 등이 있다.
둘째, 미국의 주식시장의 경우, 한국과 마찬가지로 위기변동성국면의 지속성이 더 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다.
둘째, 평균전이확률의 검정결과에서 한국의 저변동성국면의 지속성(278일)이 가장 커서 장기적인 것으로 추정되었고 다음으로 저변동성국면의 이탈리아(233), 미국(169) 등의 순이었고, 동일한 변동성국면간의 확률은 거의 1에 가까워 높은 지속성을 나타내었다.
213으로 전환점이 존재하지 않는다는 귀무가설이 통계적으로 비유의하여 모두 채택되었다. 따라서 본 연구에서는 아시아의 외환위기 이후인 2001년 8월 23일, 2003년의 러시아와 미국발 글로벌 금융위기가 촉발된 2007년 4월 2일, 미국의 안정화정책이 시도된 2009년 2월 10일, 그리스의 위기가 정점에 달한 2010년 4월 1일, 글로벌 증시가 하락된 2012년 1월 2일에 7개 주식시장에 구조적 변화가 존재하지 않았다는 것으로 판단하였다.
5 이상으로 나타나 신뢰도가 적절하여 자료가 분석에 적합하였으나, Tukey의 비가법성검정에서 적합하지 않고 Hotelling의 T2검정에서는 분석에 적절하였다. 또한 타당도검정에서 표본의 적절성 측정치를 나타내는 KMO 측정값이 약 0.5 이상으 로 분석에 적합하였고 변수간 상관행렬은 단위 행렬이라는 귀무가설을 이용하는 Bartlett의 구형성검정에서는 모두 자료간의 상관이 분석할 만큼 적절하게 나타났다. <표 2>에 주식수익률의 평균에서 4기간의 그리스의 주식수익률의 평균 (-0.
7배의 분산이 증가되었다. 또한 평균값의 결과, 상태 1에서 상태 2로의 점프는 3배이고, 상태 1에서 상태 3으로의 전환은 13배의 위험이 증가된다는 것을 보여 주었다. 그리고 한국, 미국, 인도, 이탈리아는 ARCH(1)과 ARCH(2)효과를 나타내었고 그리스를 제외한 모든 주식시장에서 레버리지와 비대칭효과는 존재하였다.
또한 평균회귀과정 을 나타내는 2와 3기간의 그리스(0.6805, 0.5816), 비유의한 3기간의 러시아를 제외하고 시계열의 d 추정치가 모두 0 < d < 0.5의 범위에 있어 장기기억 또는 장기의존성을 보여주었다.
0001(g1)로 나눈 결과 8배의 분산증가를 나타내었다. 미국, 이탈리아 및 아일랜드는 상태 1에서 상태 2로의 국면전환으로 변화가 없으나, 상태 1에서 상태 3으로의 국면전환은 각 6배, 5배, 5배의 증가를 나타내고, 러시아, 인도, 그리스는 상태 1에서 상태 2로의 국면전환으로 각 3배, 2배, 3.7배의 분산증가를 보여 주고 상태 1에서 상태 3으로의 국면전환은 각 14배, 7배, 14.7배의 분산이 증가되었다. 따라서 일별의 7개 주식시장에 대한 다른 변동성국면간의 유의한 국면전환은 주식시장의 상당한 위험의 변화를 보여주었다고 볼 수 있다.
첫째, SWARCH-L(3,2) 모형의 검정결과에서 한국은 상태 1에서 상태 2로의 국면전환은 2배, 상태 1에서 상태 3으로의 국면전환은 8배의 분산증가를 나타내었다. 미국, 이탈리아 및 아일랜드는 상태 1에서 상태 2로의 국면전환으로 변화가 없으나, 상태 1에서 상태 3으로의 국면전환은 각 6배, 5배, 5배의 증가를 나타내고, 러시아, 인도, 그리스는 상태 1에서 상태 2로의 국면전환으로 각 3배, 2배, 3.7배이고, 상태 1에서 상태 3으로의 국면전환은 각 14배, 7배, 14.7배의 분산이 증가되었다. 또한 평균값의 결과, 상태 1에서 상태 2로의 점프는 3배이고, 상태 1에서 상태 3으로의 전환은 13배의 위험이 증가된다는 것을 보여 주었다.
셋째, 7개의 주식시장을 평균값으로 살펴보면, 상태 1에서 상태 2로의 점프는 0.0003 (g2)/0.0001(g1)의 결과로 3배의 위험증가를 나타내고 또한 상태 1에서 상태 3으로의 전환은 0.0013(g3)/ 0.0001(g1)의 결과로 상태 1 보다 13배 만큼의 위험이 증가된다는 것을 보여주었다. 따라서 상태 1, 상태 2, 상태 3을 각 저변동성국면, 위기변동성국면, 고변동성국면이라고 구분할 수 있다.
셋째, Chow 검정결과에서 아시아의 외환위기 이후인 2001년 8월 23일, 2003년의 러시아와 미국발 글로벌 금융위기가 촉발된 2007년 4월 2일, 미국의 안정화정책이 시도된 2009년 2월 10일, 그리스의 위기가 정점에 달한 2010년 4월 1일, 글로벌 증시가 하락된 2012년 1월 2일에 7개 주식수익률간에 구조적 변화가 존재하였다. 또한 1-Step 예측오차 검정결과에서 러시아를 제외하고 1997년과 1998년의 아시아의 금융위기동안 대부분 주식수익률이 불안정하고, 한국을 제외하고 2007년과 2008년의 글로벌 금융위기의 다른 주식수익률이 불안정하고, 한국, 미국, 러시아 및 인도를 제외하고 2010과 2011의 유럽발 금융위기의 대부분의 주식수익률도 불안정하고, N-Step 검정결과에서는 1997년 10월말의 한국과 러시아, 1998년 9월부터 1999년 4월까지와 2000년 3월부터 5월까지, 2001년 1월부터 7월까지, 2003년 2월부터 2004년 1월까지의 미국, 2004년 12월부터 2005년 1월까지의 인도, 2002년 9월부터 2004년 3월까지의 이탈리아를 제외하고 대부분의 1997년부터 2008년까지의 아시아와 글로벌 금융위기동안 다른 주식수익률이 불안정하였다.
저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 169, 148, 51일로 저변동성국면의 지속기간이 다른 국면에 비해 더 장기적인 것으로 추정되었다. 셋째, 러시아의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면일 확률은 거의 1에 가깝고 전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.
특히 본 연구는 다음과 같은 이슈에 관심을 둔다. 첫째, 한국주식시장의 비선형성 변동성에 대한 증거가 존재하는가, 만약 그렇다면 마코브국면전환 ARCH모형에 의해 비선형성의 특성을 나타낼 수 있는가 또는 적절한 시장요인들에 의해서 설명되는 국면이 파악될 수 있는가? 둘째, SWARCH모형의 예측성과가 GARCH모형의 성과보다 더욱 우수한가? 셋째, 비대칭적 레버리지효과가 한국주식시장에 존재하는가? 등이 있다.
에서 본 연구의 신뢰도검정에서 모든 기간의 Cronbach α값은 약 0.5 이상으로 나타나 신뢰도가 적절하여 자료가 분석에 적합하였으나, Tukey의 비가법성검정에서 적합하지 않고 Hotelling의 T2검정에서는 분석에 적절하였다.
저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 109, 59, 5일로 저변동성국면의 지속기간이 상당히 장기적인 것으로 추정되었다. 여섯째, 이탈리아의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성 및 고변 동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면 일 확률은 모두 거의 1에 가깝게 추정되었다.
저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 233, 133, 40으로 저변동성국면의 지속기간이 매우 장기적인 것으로 추정되었다. 일곱째, 아일랜드의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다.
전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다. 저변 동성국면, 위기변동성국면, 고변동성국면의 기대 지속기간은 각 약 58, 76, 34일로 위기변동성국면의 지속기간이 더 장기적인 것으로 추정되었다.
94로 추정되었다. 저변동성국면, 위기변동성 국면, 고변동성국면의 기대지속기간은 각 약 278, 145, 16일로 저변동성국면의 지속기간이 상당히 장기적인 것으로 추정되었다.
93으로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성 국면의 기대지속기간은 각 약 82, 32, 15일로 저변동성국면의 지속기간이 더 장기적인 것으로 추정되었다. 다섯째, 그리스의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다.
81로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 109, 59, 5일로 저변동성국면의 지속기간이 상당히 장기적인 것으로 추정되었다. 여섯째, 이탈리아의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다.
전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 169, 148, 51일로 저변동성국면의 지속기간이 다른 국면에 비해 더 장기적인 것으로 추정되었다. 셋째, 러시아의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다.
전기가 저변동성과 위기변동성 및 고변 동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면 일 확률은 모두 거의 1에 가깝게 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 233, 133, 40으로 저변동성국면의 지속기간이 매우 장기적인 것으로 추정되었다. 일곱째, 아일랜드의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다.
91로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 92, 55, 51일로 저변동성 국면의 지속기간이 상당히 장기적인 것으로 추정되었다. 넷째, 인도의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다.
<표 5>의 평균전이확률(mean transition probability)의 검정결과에서 살펴보면, 첫째, 한국의 주식시장의 경우, 저변동성국면(state 1)의 지속성이 더 큰 것으로 볼 수 있다. 전기가 저변 동성국면(state 1)과 위기변동성국면(state 2)일 때, 당기에도 각 저변동성국면, 위기변동성국면 일 확률은 거의 1에 가깝고, 전기에 고변동성국면(state 3)에서 당기에도 고변동성국면일 확률은 약 0.94로 추정되었다. 저변동성국면, 위기변동성 국면, 고변동성국면의 기대지속기간은 각 약 278, 145, 16일로 저변동성국면의 지속기간이 상당히 장기적인 것으로 추정되었다.
둘째, 미국의 주식시장의 경우, 한국과 마찬가지로 위기변동성국면의 지속성이 더 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 169, 148, 51일로 저변동성국면의 지속기간이 다른 국면에 비해 더 장기적인 것으로 추정되었다.
둘째, 미국의 주식시장의 경우, 한국과 마찬가지로 위기변동성국면의 지속성이 더 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성 및 고변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면, 고변동성국면일 확률은 모두 거의 1에 가깝게 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 169, 148, 51일로 저변동성국면의 지속기간이 다른 국면에 비해 더 장기적인 것으로 추정되었다.
셋째, 러시아의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면일 확률은 거의 1에 가깝고 전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.91로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 92, 55, 51일로 저변동성 국면의 지속기간이 상당히 장기적인 것으로 추정되었다.
넷째, 인도의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성국면일 확률은 거의 1에 가깝고 전전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.93으로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성 국면의 기대지속기간은 각 약 82, 32, 15일로 저변동성국면의 지속기간이 더 장기적인 것으로 추정되었다.
다섯째, 그리스의 주식시장의 경우, 저변동성국면의 지속성이 가장 큰 것으로 볼 수 있다. 전기가 저변동성과 위기변동성국면일 때, 당기에도 각 저변동성국면, 위기변동성일 확률은 거의 1에 가깝고 전기에 고변동성국면에서 당기에도 고변동성국면일 확률은 약 0.81로 추정되었다. 저변동성국면, 위기변동성국면, 고변동성국면의 기대지속기간은 각 약 109, 59, 5일로 저변동성국면의 지속기간이 상당히 장기적인 것으로 추정되었다.
지속성과 관련된 장기기억모형인 ARFIMA(p,d,q)(Granger and Joyeux, 1980)을 살펴보면, 장기기억의 정상적 과정을 보여주는 모든 기간의 변수들의 AR(∅, p=1)의 추정계수가 1% 유의수준에서 통계적으로 유의하여 모두 정상적 조건을 만족한다.
첫째, SWARCH-L(3,2) 모형의 검정결과에서 한국은 상태 1에서 상태 2로의 국면전환은 2배, 상태 1에서 상태 3으로의 국면전환은 8배의 분산증가를 나타내었다. 미국, 이탈리아 및 아일랜드는 상태 1에서 상태 2로의 국면전환으로 변화가 없으나, 상태 1에서 상태 3으로의 국면전환은 각 6배, 5배, 5배의 증가를 나타내고, 러시아, 인도, 그리스는 상태 1에서 상태 2로의 국면전환으로 각 3배, 2배, 3.
특히 본 연구는 다음과 같은 이슈에 관심을 둔다. 첫째, 한국주식시장의 비선형성 변동성에 대한 증거가 존재하는가, 만약 그렇다면 마코브국면전환 ARCH모형에 의해 비선형성의 특성을 나타낼 수 있는가 또는 적절한 시장요인들에 의해서 설명되는 국면이 파악될 수 있는가? 둘째, SWARCH모형의 예측성과가 GARCH모형의 성과보다 더욱 우수한가? 셋째, 비대칭적 레버리지효과가 한국주식시장에 존재하는가? 등이 있다.
따라서 본 연구는 정치적 사건, 금융위기 등으로 인하여 주식시장의 붕괴에 기여하였다고 볼 수 있다. 한국의 주가를 조사함으로써 본 연구는 저변동성의 기간과 고변동성의 기간이 존재한다는 것을 용이하게 발견할 수 있었다. 만약 본 연구가 상태를 보다 자세하게 관찰한다면, 한국주식시장에서 각 저변동성, 위기변동성 및 고변동성의 기간이 존재함을 파악할 수 있을 것이다.
후속연구
한국의 주가를 조사함으로써 본 연구는 저변동성의 기간과 고변동성의 기간이 존재한다는 것을 용이하게 발견할 수 있었다. 만약 본 연구가 상태를 보다 자세하게 관찰한다면, 한국주식시장에서 각 저변동성, 위기변동성 및 고변동성의 기간이 존재함을 파악할 수 있을 것이다. 주식시장의 변동성이 변화하는 방법을 먼저 이해하는 것은 한국경제를 이해하는데 필수적인 부분이다.
시사점으로 첫째, Hamiton(1989)의 마코브전환모형을 ARCH모형(Engle, 1982)과 결합하여 시장간 동적인 연계성을 파악할 수 있고, 둘째, SWARCH모형을 상태공간모형 등의 모형과 관련시킬 수 있는 연구로 확장하는데 도움을 제공 할 수 있고, 셋째, SWARCH모형을 통해 한국의 주식수익률과 다른 시장과의 분산과정을 추정가능하며, 경제나 주식시장의 구조변동으로 말미암아 주식수익률의 변동성이 이질적인 분포에서 발생되는 경우에 상호 다른 분산국면의 확률적 식별이 가능하다.
질의응답
핵심어
질문
논문에서 추출한 답변
GARCH모형의 단점을 보완하기 위해 나온 모형은 무엇인가?
Diebold(1986)와 lamoureux and Lastrapes(1990)는 고지속성이 분산과정에서 구조적 변화(structural changes)를 반영할 수 있다. 이러한 관점에서 본다면, Hamilton and Susmel(1994)은 분산의 고지속성을 모형화하기 위해 국면전환(switching-regime) ARCH (SWARCH) 모형을 사용하였다. 이들의 SWARCH 모형에 대한 아이디어는 ARCH과정의 스케일 변화와 같은 국면의 변화를 모형화 한다는 것이다.
주식수익률의 변동성 집중을 나타내는 가장 흔한 방법은 무엇인가?
주식수익률의 변동성 집중(volatility clustering) 에 대한 특성을 나타내기 위해서 가장 널리 사용되는 방법은 Engle(1982)과 Bollerslev(1986)에 의해 개발된 단변량 GARCH모형이다(Bollerslev, Chou and Kroner, 1992; Bollerslev, Engle and Nelson, 1994). 그러나 GARCH모형의 고지속성으로 인해 부정확한 예측성과를 조정하기가 어려울 수 있다.
GARCH모형의 단점은 무엇인가?
주식수익률의 변동성 집중(volatility clustering) 에 대한 특성을 나타내기 위해서 가장 널리 사용되는 방법은 Engle(1982)과 Bollerslev(1986)에 의해 개발된 단변량 GARCH모형이다(Bollerslev, Chou and Kroner, 1992; Bollerslev, Engle and Nelson, 1994). 그러나 GARCH모형의 고지속성으로 인해 부정확한 예측성과를 조정하기가 어려울 수 있다. Diebold(1986)와 lamoureux and Lastrapes(1990)는 고지속성이 분산과정에서 구조적 변화(structural changes)를 반영할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.