Диссертация (Межвременной систематический риск определение детерминант и портфельная оптимизация), страница 4
Описание файла
Файл "Диссертация" внутри архива находится в папке "Межвременной систематический риск определение детерминант и портфельная оптимизация". PDF-файл из архива "Межвременной систематический риск определение детерминант и портфельная оптимизация", который расположен в категории "". Всё это находится в предмете "экономика" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ ВШЭ. Не смотря на прямую связь этого архива с НИУ ВШЭ, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата экономических наук.
Просмотр PDF-файла онлайн
Текст 4 страницы из PDF
Доходностивсех активов были рассчитаны как:Ri ,t (ln Pi ,t ln Pi ,t 1 ) 100%(1)Где Pi ,t - это цена актива i в момент времени t.1.3 Динамические модели систематического рискаЧтобы определить межвременные бета компаний, в работе используютсячетыре подхода: фильтр Калмана, многомерные модели класса GARCH,полупараметрическая регрессия и модель Маркова с переключениемрежимов. В случае фильтра Калмана использован такой вид рыночноймодели, в которой оба ее параметра, альфа и бета, имеют динамическоеповедение. В качестве моделей класса GARCH были использованы тримодели: модель динамической условной корреляции (DCC-GARCH), модельдинамической условной корреляции с учетом асимметрии в уравненияхусловной волатильности (DCC-GJR-GARCH) и асимметричная модельдинамической условной корреляции с учетом асимметрии в уравненияхусловной волатильности (ADCC-GJR-GARCH). Все три модели GARCH21рассчитывались для двух предположений: о нормальном распределении ираспределенииСтьюдента.Рассматриваемаяспецификацияполупараметрической регрессии также предполагает, что параметр альфа,также как и бета, колеблется во времени.
На базе полупараметрическоймодели были получены три оценки бета в зависимости от вида ядернойфункции: Гауссовской, Епанечникова и равномерной. Таким образом, длякаждого актива были получены 12 оценок бета (учитывая оценку постояннойбета на основе МНК). Все предложенные модели сравниваются дляопределения наилучшей с точки зрения точности внутривыборочного (insample) и вневыборочного (out-sample) прогноза.1.3.1 Классическая регрессионная рыночная модельРыночная модель (the market model) предполагает оценку бета актива i спомощью следующей регрессии:Ri ,t i i Rm,t i ,t , t ~ N (0, t2 )(2)Где Ri ,t - это доходность актива i в момент времени t; Rm,t - этодоходность рыночного портфеля в момент времени t; i,t - это нормальнораспределенныеостаткивуравненииактиваi,имеющеенулевоематематическое ожидание и постоянную дисперсию i2 .Коэффициенты i и i - это параметры модели, которые требуетсяоценить.
Параметр i можно выразить как:i Cov( Ri ,t , Rm,t )Var ( Rm,t )(3)Коэффициент i (бета) является показателем систематического рискаактива i. С точки зрения теории корпоративных финансов, данный22коэффициент отражает рычаговый (levered) показатель бета в случае акцийкомпаний.Встандартнойрегрессионноймоделизначениябета,превышающие 1, говорят о том, что изменение доходности рыночногопортфеля приводит к большему изменению доходности актива. Такие активыотносятся к активам агрессивного типа. По аналогии активы, чьи бетаменьше 1, относятся к активам оборонительного типа.Вневыборочный прогноз бета на шаг вперед был рекурсивно получен спомощью скользящей регрессии.1.3.2 Фильтр КалманаФильтр Калмана назван в честь Рудольфа Калмана [Kalman, 1960] и былвпервые изобретен для описания системы, состояния которой изменчивы вовремени. Позже он стал применяться во многих областях науки, начиная ссистем динамического управления и заканчивая биоинженерией.
ФильтрКалманаявляетсяалгоритмомдляоцениваниялинейноймоделипространства состояний, которая предполагает систему из уравненийнаблюдений и состояний. Так, рыночная модель представима в следующейформе:Ri ,t i ,t i ,t * Rm,t i ,t , i ,t i ,t 1 i ,t , i ,t i ,t 1 ui ,t i ,t ~ N (0, 2 ), i ,t ~ N (0, 2 ), ui ,t ~ N (0, u2 )ii(4)iСлучайные ошибки i,t , i,t и ui ,t независимы и нормально распределены. Внашем случае уравнение наблюдений – это уравнений доходности актива i, ауравнения коэффициентов i,t и i,t - уравнения состояний.
Согласно Фафф исоавторам [Faff et al., 2000] случайное блуждание или процесс AR(1)наилучшим образом описывает динамику бета, в связи с чем он и был выбранв качестве вида уравнений состояния.23Для описания оценивания такого рода модели перейдем к ее записи втрадиционной форме: yt Z t xt d t t xt M t xt 1 ct S t t(5)t ~ N (0, 2 ), t ~ N (0, Qt )Нетрудно увидеть, что в нашем случае будет справедливо (для некогоактива k): 1 0 , ct d t 0 , t k ,t , t k ,t ,yt Rk ,t , Z t 1 Rm,t , xt k ,t , M t S t 0 1 k ,t u k ,t 2k i , Qt 022Далее0 u2k введемследующиеобозначения:bt|t 1 Et 1 ( xt ) ,bt Et ( xt ) иPt Et [(bt xt )(bt xt )T ] . Фильтр Калмана состоит из системы 7 следующихрекурсивных уравнений:bt|t 1 M t bt 1 ctP M P M T S Q S Tt t 1tt t t t|t 1 yt|t 1 Z t bt|t 1 d tvt yt yt|t 1F Z P Z T Ht t |t 1 tt tT1bbPZF tt |t 1t |t 1 tt vt P ( I P Z T F 1 Z ) Pmt |t 1 tttt |t 1 tЗатемнеизвестныелогарифмическойпараметрыфункциипринимает следующий вид:(6)оцениваютсямаксимальногосправдоподобия,помощьюкоторая24 ln L( ) v2 T1 T ln( 2 ) ln Ft t 22 t 1 Ft (7)Где T - это количество наблюдений.
В нашем случае неизвестныепараметры - это 2 , 2 и u2 .iiiЕдинственное, что требуется для оценки и рекурсивного прогноза спомощью фильтра Калмана, помимо рядов доходностей, – это определитьначальные значения параметров. Для коэффициентов альфа и бета быливзяты начальные значения 0 и 1 соответственно. Однако, чтобы устранитьпотенциальную ошибку от неправильно заданных изначальных значений,первые пять наблюдений использовались для калибровки и не участвовали врезультатах работах.1.3.3 Многомерные GARCH моделиПоказанная ниже методология основана на модели DCC-GARCH(Dynamic Conditional Correlation – Generalized Autoregressive ConditionalHeteroskedasticity), предложенной Энглом [Engle, 2002], и модели ADCCGARCH(AsymmetricDynamicConditionalCorrelation–GeneralizedAutoregressive Conditional Heteroskedasticity), которая была предложенаКапиелло и соавторами [Capiello et al., 2006].
В работе оцениваетсястандартная DCC-GARCH и две ее модификации, учитывающие асимметриюв условной волатильности – модель DCC-GJR-GARCH и модель ADCC-GJRGARCH. Последняя также учитывает асимметрию и в условной корреляции.Все три модели, а именно: модель динамической условной корреляции(DCC-GARCH), модель динамической условной корреляции с учетомасимметрии в уравнениях условной волатильности (DCC-GJR-GARCH) иасимметричная модель динамической условной корреляции с учетомасимметрии в уравнениях условной волатильности (ADCC-GJR-GARCH) –25применяются для оценивания динамических бета российских отраслевыхиндексов и акций. Модель ADCC-GJR-GARCH по своей структуре должнаобеспечивать наиболее точные оценки, однако введение дополнительныхпеременных, учитывающих асимметрию в уравнениях условной корреляциии волатильностей, уменьшает точность прогноза, что является существеннымминусом.Используются двумерные варианты предложенных моделей, т.е.предложенные модели строятся отдельно для каждой пары рыночныйпортфель–актив.
Рассмотрим двумерную модель для некого актива i ирыночного портфеля m. Доходности активов и рыночного портфелямоделируются как:Ri ,t i i ,t , Rm,t m m,t , t t 1 ~ N (0, H t )(8)Где i и m - это константы или средние доходности (mean returns) активаi и рыночного портфеля соответственно; i,t и m,t - это остатки в уравнениедоходности актива i и рыночного портфеля соответственно в момент времениt; t 1 - это вся доступная информация к моменту времени t-1; H t - этовариационно-ковариационная матрица остатков.Вид уравнения для доходностей акций и рыночного портфеляопределяется тем, что он позволяет впоследствии корректно оценитьдинамические бета (как отношение условной ковариации анализируемогоактива и рыночного портфеля к дисперсии рыночного портфеля). Так, оннаиболее часто встречается в типичных работах [Mergner, Bulla, 2008;Choudhry, Wu, 2008].Ковариационно-вариационная матрица H t в моделях DCC и ADCCвыглядит следующим образом:26H t Dt Rt Dt(9)или hm,th mi ,thmi ,t hm,thi ,t 00 1 *hi ,t pmi ,tpmi ,t hm,t *1 00 hi ,t (10)Где hi ,t и hm,t - это условные дисперсии остатков, а him,t представляетсобой условную ковариацию этих остатков.Корреляционная матрица Rt оценивается различным образом длямоделей DCC и ADCC.
В моделях DCC она определяется как:1Rt (diag (Qt )) 2 Qt (diag (Qt ))12Qt (1 1 2 )Q 1 zt 1 zt' 1 2Qt 1 ,Q(11)1 T zt zt' , 1 2 1, 1 ,2 0T t 1Где z t - это стандартизированный остатки в момент времени t ( zt t / t );Qt - это ковариационная матрица стандартизированных остатков; Q - этобезусловная ковариационная матрица стандартизированных остатков.Условия,налагаемыенапараметры1и2 ,гарантируютположительную определенность корреляционной матрицы и обеспечиваюттакую ее структуру, при которой однонаправленные колебания доходностиактива и рыночного портфеля усиливают корреляцию.Для модели ADCC в уравнение условной корреляции добавляетсяпараметр, отвечающий за асимметрию:Qt (1 1 2 )Q 3 N 1 zt 1 zt' 1 2Qt 1 3t 1t'1 ,(12)27N1 Ttt' , 1 2 3 1, 1 ,2 ,3 0T t 1Где t I [ z t 0] zt и- это функция, которая равна 1, если z t 0 , и равнаI0 в ином случае, а обозначает поэлементное умножение; N - этобезусловная ковариационная матрица t ; - это максимальное собственное11значение матрицы Q 2 NQ 2 .Параметр 3 отражает асимметрию в условной корреляции и егозначимость означает, что этот эффект наблюдается между активом ирыночным портфелем.
Условия для параметров 1 , 2 и 3 гарантируютположительную определенность ковариационной матрицыQt в моделиADCC.Кроме отличий моделей в оценивании условных корреляций, такжеразличным образом рассчитываются условные волатильности hi ,t и hm,t изматрицы Dt . Для оценки условных волатильностей использованы двеспецификации. Первая - это простая (simple) GARCH модель [Bollerslev,1986]:hm,t c1 a1 m2 ,t 1 g1hm,t 12 hi ,t c2 a2 i ,t 1 g 2 hi ,t 1(13)Также анализировалась GJR-GARCH модель [Glosten et al., 1993],учитывающая асимметрию в условной волатильности активов:hm,t c1 a1 m2 ,t 1 1 m2 ,t 1I [ m,t 1 0] g1hm,t 122 hi ,t c2 a2 i ,t 1 2 i ,t 1I [ i ,t 1 0] g 2 hi ,t 11 0, 2 0(14)28Где 1 и 2 - коэффициенты, отражающие асимметричные шокиволатильности (asymmetric volatility shocks), аравняется единице, еслиI- это функция, которая t 1 0 , и равняется нулю в ином случае.
Еслипараметры, определяющие эффекты асимметрии, являются значимыми, тоэто говорит о существовании отрицательной асимметрии актива, илидругими словами, о более сильном воздействии негативных шоков наволатильность, чем положительных.Условная ковариация him,t оценивается из корреляционной матрицы Rt иматрицы Dt , а впоследствии используется для нахождения динамическихбета:hmi ,t pmi ,t hm,t hi ,t it* | t 1 cov(rm,t , ri ,t | t 1 )var(rm,t | t 1 )(15)hmi ,thm,t(16)Логарифмическая функция максимального правдоподобия для всехрассмотренных GARCH моделей выглядит следующим образом:L( ) 1 T1(n ln(2 ) ln Dt Rt Dt tDt Rt Dt t )2 t 1(17)Где n - это размерность модели (в нашем случае равна 2); - векторнеизвестных параметров.Аналогичным образом, три представленные модели GARCH былиоценены и для остатков с распределением Стьюдента.