文摘

这个调查连接两个重要的经济和金融领域,金融网络,预测。从金融网络的角度来看,可以提高预测工具,由于计量经济学不纳入标准的经济模型,二阶效应,非线性,系统性的结构性因素。使用每日收益从2001年7月到2019年9月,我们使用最小生成树和图平面最大过滤技术来预测股票市场波动性意识到26个国家。我们测试我们的核心模型的预测能力和预测基准模型的样本。我们的研究结果表明,最小生成树的长度相关预测欧洲和亚洲股市的波动,提高预测模型的性能。作为一种新的贡献,这项工作建立一个路线图的证据加深的理解金融网络如何提高预测的质量的金融变量,被后者,一个关键因素在金融冲击,不确定性和波动性上升。

1。介绍

在本文中,我们使用最小生成树长度(MSTL)和最大限度地过滤图(PMFGL)方法来改善金融市场波动性的预测。在危机时期,不确定性上升,资本市场发展迅速和广泛,生成一个激增的金融资产的波动率(衡量金融市场的不确定性的度量是芝加哥期权交易所波动率指数(CBOE VIX)。自成立以来,这个索引展览历史平均近20的价值,但在2008 - 2009年的次贷危机达到了历史最高水平为89.53。同样,如今,COVID-19危机期间,该指数达到85.47个单位的第二个历史最高水平),影响价格的行为,风险管理,资产定价,也消费、储蓄、投资决策经济,削弱经济增长和福利在短期和长期1]。因此,提高预测的波动是一个优先考虑其作用组合选择、风险管理和衍生品定价,帮助决策者,机构和人们更好的不利影响最小化postcrisis阶段(2,3]。

在过去的二十年里,预测模型的性能改善了结合了更多的数据,预测是非常可靠的结果在每周、每月、季度视野(甚至4]。新方法出现了,从高频模型(5)多元拱,随机波动性模型时变波动,和条件分布(6,7),和长记忆模型(8]。尽管有这些广泛的进步,波动性模型继续被很少的维数和单变量,不管理将二阶效应和非线性关系的典型复杂系统(5]。

复杂性是一个关键因素对理解金融市场的行为及其对干扰的反应。一个复杂的系统的一个例子是资本市场的特点是同时存在多个经济主体相互作用(复杂系统反对线性系统特征等因素,通过非线性。换句话说,在非线性系统中,输出的变化非比例输入的变化,导致系统出现混乱,不可预测的,甚至是矛盾的。多个实体的存在和各种交互规则(在数度和非线性),其他特征,产生集体效应,阻碍整个系统的理解和建模9]。

一种改进的理解复杂系统的行为是通过使用网络方法(它们允许建模的间接影响的连接组件或实体。传统的计量经济学方法研究直接影响系统的实体的关系;在使用网络时,估计是可行的,例如,两个实体之间的距离或节点以及它们之间可能的间接效应是如何。这些计算是只使用传统统计数据并不可行。这种优势的原因之一是因为网络方法用于经济和金融市场)。文献,探讨网络在金融市场关注网络特性的影响及其与金融系统的稳定性与脆弱性之间的关系(10,11]。文献也探索链接的分布是如何影响的系统性反应冲击和关键节点或枢纽节点的连通性如何破坏,甚至导致整个网络的崩溃(12- - - - - -15]。同样,其他相关主题相关事务的网络金融资产,投资组合选择、风险管理、重叠组合,金融市场一体化和金融危机(16- - - - - -22]。

网络方法应用相关网络分析同步的回报。互联性风险的情况下,平面最大过滤图(PMFG)和最小生成树(MST)是用于研究金融市场之间的协整的增加(这种现象不仅会影响投资者的可能性多样化也增加的证据的影响区域和全球经济现象的经济和金融市场组成。例如,Onnela et al。18研究相关网络的标准普尔500指数,发现动态集群的存在的存在不仅仅是由于工业部门,但心理和经济因素中捕获网络资产。他们还发现MST的规范化树长度(MSTL)是动态的和达到最低标准,在金融危机和潜在的多元化有关资产MSTL网络的进化。在危机期间,一个MST的拓扑和紧凑的变得更像星星一样,被这个网络弹性减少冲击和更容易系统性风险(23))(24]。我们应用最小生成树长度(MSTL)和最大限度地过滤图(PMFGL)测量同步全球股市的回报(格兰杰因果关系是指临时预期的影响(称为预测能力),这可能是由于一个黑盒子的解释。我们通过格兰杰因果评估股票市场的预测能力和预测回归,这是有用的评估一个变量是否有预言的能力,而不是它是否“原因”其他变量改变。后者的问题只能通过使用结构模型回答说。然而,我们可以研究PMFGL和MSTL是否有预测能力以外,包含在其他变量,如全球需求压力和利率,作为代理世界商业周期,和我们进行这样的分析25]),因为都是吝啬的表现的相互关系的复杂网络,及其连接用于获取直接和间接信息(26]。代表一个动态系统的能力是与这些方法测量协整的第二个原因。这个话题是特别有用,当它需要代表市场的现象将大量考试(下24]。尽管MSTL和PMFGL之间的差异,减少网络的复杂性的优点是,它代表nonredundant和必要的图形化的方式连接。

我们打算使用MSTL探索的可能性和PMFGL方法改善金融市场波动性的预测。我们假设存在格兰杰因果关系(格兰杰因果关系指的是临时的预期产生影响(称为预测能力),这可能是由于一个黑盒子的解释。我们通过格兰杰因果评估股票市场的预测能力和预测回归,这是有用的评估一个变量是否有预言的能力,而不是它是否“原因”其他变量改变。后者的问题只能通过使用结构模型回答说。然而,我们可以研究PMFGL和MSTL是否有预测能力以外,包含在其他变量,如全球需求压力和利率,作为代理世界商业周期,和我们进行这样的分析25)全球MSTL和全球PMFGL和意识到股票市场波动。我们认为,全球网络股票市场相关信息之间的相关性预测意识到股票指数的波动。至关重要的是,要注意到我们的论文不研究“因果关系的影响,”,换句话说,我们不研究结构的长度之间的联系MSTL (PMFGL),实现了股票市场的波动。

我们为现存的金融网络文学两个方面。首先,我们研究的一个应用领域的PMFGL和MSTL预报,定义一个方法用于测试这两个网络的预测能力的措施。第二,我们连接到相关的领域,我们最好的知识,没有联系,网络分析和预测。我们相信有一个优秀的可能性造成金融网络领域的财务预测。许多论文预测股票市场波动,但没有使用金融网络指标,结合相关性的资产树作为独立因素(27- - - - - -29日]。

分析我们的假设,我们测试的预测能力全球MSTL和全球26个国家的股市PMFGL北美,拉丁美洲,欧洲,亚洲和大洋洲。为此,我们收集了每日收益从2001年7月到2019年9月对这些国家的主要股票指数和计算每月实现波动。然后我们金融网络方法应用于估计PMFGL和MSTL指标代表全球相关结构和动态地观察它。最后,我们测试了这样的网络指标使用在样本和样本外预测能力测试。最后,我们应用鲁棒性测试的结果。

我们的主要发现是,MSTL有助于预测股票市场的波动性意识到。具体地说,结果表明,存在格兰杰因果的MSTL波动在大多数亚洲和欧洲市场。然而,没有证据的情况下北美和拉丁美洲的市场。这一发现意味着MSTL背后的全球关系网络包含有用的信息,有助于预测股票市场的波动性意识到。另一个相关结果与PMFGL的预测能力。有证据表明MSTL相比,它的能力是有限的。一种解释可能是与MSTL相比,这个网络测量捕捉更多的信息从整个网络资产的相关性。这似乎是适得其反波动的预测能力。这些结果的样本外测试添加基准模型与六滞后,但效果消失当我们添加VIX指数的变化滞后一个月。之前的初步证据表明,MSTL将是一个有效的指标来表示信息的全球股票市场的波动性,与波动率指数的预测能力相似。 However, we think that MSTL has more advantage than the VIX. First, MSTL considers information of all stock markets in comparison with VIX that is elaborated only with the North American stock market. Secondly, MSTL is calculated with realized correlations, and VIX is estimated with expected volatility that is more sensible at market sentiments.

本文的主要结论是,全球相关连接添加有用的信息,有助于预测实现相关的全球股市的波动。这些结果暗示决策者和从业者可以改善他们的估计未来的金融市场的波动性,因此,提高预测和决策对资产定价和风险管理。从经济政策的角度来看,这项工作可以帮助决策者提高金融稳定框架和设计模型,考虑全球网络的底层结构的股票指数。最后,一个可能的扩展的工作是开发新的方法,深化研究的相关性的资产之间的联系网络和波动性的影响指标VIX指数。

本文组织如下。节2,提出扩大的可能性实现波动率预测方法。节3,我们表明在这项研究中使用的方法和数据。部分4显示了在样本和样本外和健壮性测试的结果。部分4总结和提供了一些未来的研究扩展。

2。实现波动率预测方法

金融危机已经吸引了相当大的金融网络文学的关注。在2008 - 2009年的金融危机期间,同步的回报,定义为股市的趋势显示重要comovements [30.),有一个负面影响的贡献多元化风险最小化。这么高的互联性风险(网络中心措施量化互联性风险。网络是由某种程度的依赖之间的金融资产(如相关))现象是一个元素,成为金融危机的传染渠道在危机时期。

证据表明,在高度波动的环境中,如金融危机,股票市场的网络拓扑变化,和增加金融资产之间的相关性,减少结果是,多元化作为一种风险管理工具的有效性。这个问题是至关重要的,应用于项目组合管理策略,在战术和战略资产配置决策是基于金融资产收益的相关性进行建模(22,23,31日,32]。

然而,金融资产的回报,尤其是股票,尤其难以预测(见[33)审查);然而,他们的回报的波动性似乎相对更容易预测。程式化的事实对波动率是低的,但慢慢地腐烂的持久性。从这个意义上说,这不是令人惊讶的增长文学侧重于建模和预测金融波动,由于其对资产定价的影响,投资组合管理和风险管理。

波动措施的主要问题之一是,条件方差是一个“潜伏”变量。因此,它不是直接可见(见[34讨论])。有一个广泛的模型来估计这个潜变量,如自回归条件异方差性(拱或GARCH类模型)和随机波动(SV)模型。然而,正如在[指出35,36),这些模型往往不能正确地适应一些程式化的事实对于金融时间序列,如高过度峰度。

小说和日益流行的方法是实现的量化波动。这种方法的主要优点是,事后波动就一定可观察到的而不是被视为一个潜在的变量。从这个意义上讲,它变得简单评估不同模型的样本外预测的准确性预测实现波动时,它可以直接建模(见[37,38)讨论)

虽然我们的样本外预测方法使用金融网络有点新奇,有最近试图建立本地市场波动之间的关系,国际金融联系。例如,鲍et al。39检查商品的预测能力和重要发达股票市场预测隐含波动率(IV)的每一个个体金砖四国(巴西、俄罗斯、印度、中国和南非)股票市场。使用贝叶斯图形SVAR方法(BGSVAR,参见[40]),他们发现一些格兰杰因果关系的证据主要来自全球股票市场(和一些个人市场)在金砖四国IV(值得注意的是,他们发现,大宗商品市场只在南非很重要。这一结果的一个可能的解释是强劲的出口主要经济体和全球大宗商品价格之间的关系,广泛报道(41- - - - - -45])。这个结果有点符合先前的全球因素和金砖四国股市相关证据(46]。

在相关工作中,霁et al。47第四)模型的动态网络传播在美国股市、大宗商品和金砖四国股票。一般来说,他们显示的集成结构信息传输网络有点不稳定,随时间变化而变化。他们的研究结果表明,分析事件的影响是异构的,例如,一些事件的第四只产生影响当地市场,但其他影响全球波动。

在同一条线上,霁et al。48)用一个有向无环图研究同生和滞后比特币和其他金融资产商品之间的关系,股票市场和固定收益指数。值得注意的是,他们发现的证据的比特币和其他金融资产之间的关系,尽管他们找到一些证据的可预测性的熊市状态比特币。

对市场波动的联系,Aggarwal和拉贾49)研究“金砖四国”经济体的股市之间的协整。此外,他们检查静脉之间的传播印度第四指数和三个国际指数;特别是,他们研究如何冲击四世的一个市场可能会影响其他市场的波动。同样,尤因et al。50]研究北美自由贸易协定的影响每个市场的波动传输协议。其他的实证论文探索金融市场之间的联系包括(51,52]对北美自由贸易协定的经济体来说,[53)为美国和欧洲市场之间的联系,和[54对拉丁美洲的市场)。

最后,侯赛因沙赫扎德et al。55]研究欧元区信贷市场行业的溢出效应。使用网络理论和日常数据行业层面上14日信用违约互换(CDS)指数在欧元区,他们确定发射(接收)的主要行业的溢出效应在正常时期和危机。特别是,他们发现许多CDS领域成为强烈互联在危机时期,这链接仍然晚一些时间,这表明一些传染的证据。

3所示。方法

3.1。最小生成树的长度(MSTL)

我们遵循标准的过程获取返回的相关性和动态资产树基于市场价格指数(18,56]。关闭价格指数在时间的日期是 。指数的回归是由 ,对于一个交易日的连续序列。为每个索引 ,每日回报计算在1个月的时间窗口。我们是的返回向量索引每月的 ,然后 在哪里是指数之间的相关系数和在哪里表明平均超过所有的交易日的月 。通过这种方式,一个 对称矩阵市场指数之间的相关性(金融指数)值的数量吗 。

的相关性转换为距离 ,代表市场指数之间的距离和 。因此,相关 表示的最大距离 ,同时 表示的最小距离 。

最小生成树(此后,MST)是一个树结构图连接索引通过边缘避免循环和点击,连接所有节点的路径是最小的。MST构造使用的算法(46]。这样,MST降低整个网络的信息空间通过连接所有节点 边缘,一棵树边(57]。

生成树的边缘的总和计算每个月形成一个时间序列。我们定义的标准化长度MST (MSTL)如下:

所以,对于每一个月,我们有一个MSTL。的变化计算MSTL ,让我们工作平稳时间序列。

3.2。平面最大过滤图长度(PMFGL)

平面最大过滤图(PMFG)也过滤掉完全图基于距离矩阵通过只保留主要代表链接图的不同属(58,59]。在这种情况下,PMFG保留更多的信息。MST保持边,而PMFG不断边缘相比 边的完全图60]。此外,PMFG还包含MST。

的长度PMFG(因此,PMFGL)是简单地定义为距离的总和PMFG产生的距离矩阵。自从PMFG保留更多的边缘(因此更多的相关性),可能这个网络可以更好的表达水平在市场上的同步。出于这个原因,它包括在核心模型。

自从PMFG支持周期在网络和可能包括负相关股票,总是会PMFG长度大于MST。正是因为这个特性包括的更多信息,有趣的是能够比较模型,解释了互连的风险来衡量的鲁棒性。值得一提的是,我们不计算区域的PMFG长度。PMFG包括MST和边缘用来加入PMFG中的节点的最小距离;因此,区域的长度PMFG MST的长度是一样的。

3.3。意识到差异

我们测量波动与股票市场的日常方差使用实现方差模型( )(4]:

意识到波动是我们的因变量,每日换取一天吗j在这个月t对市场指数我。我们每天使用彭博社提供的数据从2001年7月到2019年9月,共计216个月,总共26个市场指数在美国,欧洲,亚洲和大洋洲。这些市场指数的基准彭博社发表为每个股票市场在国家和地区层面。我们在鲁棒性包括VOX CBOE样本外测试后(20.),结合控制每个区域的月度波动和每月VIX指数的变化。

3.4。预测模型和评价

我们使用两种类型的预测模型的预测能力评价MSTL PMFGL。首先,我们命名为“核心模型”对我们的样本和样本外预测模型测试,包括MSTL的自然对数变化(因此,VMSTL)和包括PMFGL的自然对数变化(因此,VPMFGL)(见表1板A和B)。第二,对于我们的样本外的测试,我们命名为“基准模型”在预测模型中激发了大量文献表明,AR (p)模型基准通常难以击败当预测实现波动率(4,8]。在这个意义上,我们使用一个异构自回归(HAR)模型作为我们的主要指标(见表1面板C)。

在表中,意识到方差在这个月吗t对市场指数我,自旋是全球最小的树长在这个月吗t−1本月是全球平面最大过滤图吗t−1 , ,和是第一、第二和第三的落后意识到波动,分别为市场指数吗我,扰动误差。

本文我们主要的目标是测试格兰杰因果关系的存在,从网络的结构实现波动。为此,我们专注于测试以下零假设 ;这意味着我们正在比较我们的核心模型基准模型(见表1)。零假设样本内和样本外假设和没有在预测市场指数能意识到的波动。我们测试这些假设样本内和样本外关注领先一步预测,离开multistep-ahead预测的分析作为未来的扩展研究。

使用进行分类评估t统计相关系数最小旋转树的长度。协方差平稳过程,中心极限定理需要一个合适的长期方差的估计;HAC在这个意义上,我们使用标准错误的建议(61年,62年)(韦和西部[61年)提出一个巴特莱特内核,以确保一个正定方差矩阵。此外,韦和西部[62年)提出一个自动延迟选择协方差矩阵估计方法)。样本估计,然而,通常是批评,因为他们是相对不同的实时预测运动也因为有容易过度拟合程度的数据。为了减轻这些缺点,我们也考虑样本外的分析。

样本外评估,我们正在与嵌套模型的环境中,我们使用ENCNEW测试提出了63年)(其他测试等嵌套模型(64年- - - - - -66年)也在考虑类似的消息,他们要求)。再次,对于样本外分析,我们正在考虑零假设 。在线性模型的上下文中通过OLS估计,克拉克和麦克拉肯(63年推导出正确的渐近分布的测试。虽然分布不是标准,领先一步的关键值预测在他们的论文中是可用的。在一般情况下,的渐近分布ENCNEW测试是布朗运动的功能取决于嵌套模型的多余的参数的数量,也就是1在我们的规格,和参数定义为比的极限 ,在哪里P是领先一步预测和数量R第一次的大小扩大窗口中使用的样本外分析(π被定义为的极限吗P/R当P,R⟶∞。克拉克和麦克拉肯(63年]表明ENCNEW所依赖的渐近分布,其他参数,π。从这个意义上说,π= 0.4可以解释为估计窗口被近似预测窗口的长度)的两倍。测试不同的渐近分布也与计划用于更新的估计参数:要么滚,递归,或固定。此外,我们强调,这个测试是片面的,换句话说,拒绝零发生只有当统计大于一个临界值位于右尾分布(见[67年,68年]因为精彩的评论和更多细节的实现样本外预测能力在嵌套模型的测试环境)。

进行分类分析,我们估计模型与所有可用的观测。对于样本外的情况分析,我们把样本在三个不同的方面,建议在69年]。对于每个分裂,我们考虑两个窗口:一个初始估计窗口的大小R和评估窗口的大小P这样T=P+R,在那里T是观察的总数。我们把样品在三种不同的方式。首先,我们使用初始估计上半年和下半年我们的预测。第二,我们首先使用大约三分之一的观察初步估计和三分之二的评估。第三,我们使用大约70%的初步观察,估计为30%,评估。最后,我们使用递归windows更新我们的参数,虽然结果与滚动窗口非常相似。我们只报告结果第三部门(π为节省空间= 0.4);然而,可预测性的信息各部门非常相似,他们可按照客户要求定制。

3.5。的数据

我们每天使用彭博社提供的数据从2001年7月到2019年9月,共计223个月,总共26个市场指数在北美,拉丁美洲,欧洲,亚洲和大洋洲(见表2详情)。这些指标属于区域为每个股市股指彭博社发表在国家和地区层面。正如上面提到的,我们在鲁棒性部分包括芝加哥期权交易所(CBOE) VIX指数作为样本外的一部分测试后拉文et al。20.),将每月的VIX指数变化的控制每月每个区域市场的波动性。

4所示。实证结果

在本节中,我们第一次报告的估计结果(表26市场指数的核心模型1面板使用样本数据。其次,我们评估我们的基准模型的预测性能(表1面板B)。最后,我们检查模型的鲁棒性增加的样本外测试延迟变化的波动率指数(VVIX)。我们计算ENCNEW样本外的考验克拉克和麦克拉肯(63年]。

图1显示的表示金融指数在三个不同时期:mst、期间和之后的2008年的金融危机。地理位置邻近的资产对他们的起源仍然是一个不变的性质。这种现象会产生集群基于地理位置。例如,亚洲市场指数往往聚集在一起。欧洲指数也是如此。只有两个大洋洲(澳大利亚和新西兰)指数似乎适应与地理位置无关。然而,mst的长度是不同的。MST长度是10.97在危机前,危机下降到10.23,然后再增加11.68 postcrisis时期。在金融危机时期,市场同步,增加金融资产之间的关联现象。因此,代表每个网络边缘的距离缩短(18]。

4.1。样本分析

表3- - - - - -5报告估计在表的核心模型1小组在所有表3- - - - - -5,我们认为根据月度频率和使用标准HAC错误(61年,62年]。一般来说,VMSTL系数比PMFG系数更重要。这证据显示MSTL是更有效的措施,因为额外的信息包含在PMFGL并不代表更高的统计学意义。当比较的意义核心模型(1)和(2)fd2表中给出1面板,我们观察到MSTL更大的预测能力,呈现统计显著性在11个市场总共26个PMFG显示统计学意义在7市场总共26,一致认为MSTL更有效率不考虑相关性较小的大小。

然而,预测能力的VMSTL因地理区域的不同而有所不同。在特定的,VMSTL系数是重要的至少10%的水平在大多数欧洲和亚洲股市(见表4和5),但我们没有发现意义在VMSTL系数模型,代表美国股票市场(见表3)。这些结果暗示的存在之间的格兰杰因果关系的动态网络的相关性之间形成全球股市和欧洲和亚洲股市的波动性。

关于欧洲,表4表明,股票市场的波动性在法国(β=−0.672, ),西班牙(β=−0.700, ),意大利(β=−0.838, ),和瑞典(β=−0.822, )最高的全球网络关系相关性滞后一个月。对于亚洲,表5表明,台湾的市场波动性意识到(β=−1.083, ),韩国(β=−0.829, ),和香港(β=−0.672, )显示了相关性的关系与全球网络滞后一个月大的大小的统计学意义。关于大洋洲,表5显示,只有新西兰股市的波动性(β=−0.623, )显示统计学意义的全球网络的相关性与一个月的滞后。

一些附加功能值得注意样本从我们的核心模型。首先,常数项和第一波动滞后系数在所有市场显著(见表3- - - - - -5),符合强烈的自相关的股票指数的波动性。第二,三个滞后系数是正的在所有市场销售良好,符合金融市场的持久性:波动性的增加是一个指标的波动性的增加在接下来的时期。这种关系是一致的第一落在英国之外的所有市场,但第二个和第三个滞后的统计显著性降低。最后,确定调整系数在27.6%到59.2%之间,最高的是在韩国KOSPI指数和智利的SPIPSA最低。

4.2。样本外

表6- - - - - -8测试结果显示ENCNEW [63年在样本外运动,欧洲,Asia-Oceanic。这些表关注表中描述的核心模型1面板B,和对应的统计结果表中给出的核心模型的区别1面板B (VMSTL和VPMFGL)和表中提供的基准模型1面板C当观测的数量,使预测样本总数的40% (P/R= 0.4)。

在表中6- - - - - -8,我们使用以下符号描述规格表1:AR(3)和基于“增大化现实”技术(6)表示订单3和6的自回归过程,分别为一年期返回意识到股票指数的波动。VVIX(1)代表一个月度VIX指数变化的滞后效应,以添加一个健壮性测试结果。此外,我们不同的表中6- - - - - -8为两个面板:面板在表中6- - - - - -8报道的比较(表的核心模型1面板B)包括滞后PMFGL的变化与我们的基准模型(表一个月1面板C);面板B表6- - - - - -8报道的比较(表的核心模型1面板B)的滞后一段时间的变化,包括与基准模型(表MSTL1面板C)

在美国(表6),只有市场的墨西哥、巴西和阿根廷拒绝零假设的VVIX基准模型。在巴西的情况下,拒绝零假设的概率大于1%,这意味着预测模型包含的滞后MSTL的变化,以及变化的滞后PMFGL统计比VVIX的基准模型。这个结果是对墨西哥和阿根廷重复,尽管的显著性水平波动在5%和10%之间。

关于欧洲,核心模型(加入的月变化滞后MSTL和PMFGL)获得更好的结果相比,所有的基准模型。概括地说,我们观察到MSTL比PMFGL更大的预测能力,是重要的在7 9欧洲市场考虑,而模型,该模型考虑了PMFGL只有5 9中是重要的市场。面板B的表7模型的结果比较表明,包括滞后变化MSTL。

我们提出类似的结果在亚洲和大洋洲。表8表明8/9的市场指数拒绝零假设,在5%的水平,这表明的变异PMFGL滞后一期的变异MSTL滞后一段添加有用的信息,提高预测的基准模型。然而,当与一个基准模型,其中包括VVIX滞后一段时间,提出了模型的意义消失,表明强烈的VIX指数的波动性影响亚洲和大洋洲国家。

5。结论

金融机构之间的互联性起着关键作用的金融市场的系统性风险。这个问题尤为关键的不确定性和波动性刺激时,在金融动荡期间。最近的金融网络文学一直在研究这一现象,主要关注一个冲击的情况下通过一个或一组关键节点可能会破坏整个系统(70年]。独立性质的冲击,其后果是明显的波动对金融市场,特别是股票市场及其时变依赖结构(71年]。


在这个研究中,我们探索不同的看法。随着经济和金融文献,不确定性引发对经济增长产生负面影响,预期,投资,消费,和未来的股市回报率。出于这个原因,我们分析网络理论的应用程序作为一种工具来预测股票市场的波动性。从这个意义上说,提高实际的预测模型的性能和准确性将有利于从业者,监管机构和学者在他们的任务。

我们在两方面有助于现存的文献。在第一方面,我们帮助改善实际预测模型的性能和精度,这将有利于从业者,监管机构和学者在金融市场监管的任务,危机监测、投资组合管理、风险策略,和资产定价等角色。另一方面,我们之间建立一座桥梁两个重要领域:金融网络文学和预测。本文可以产生更多的重大进展在这两个方面,提高金融市场的实证分析质量并获得广泛的复杂系统的观点。

我们的结果的证据,可以通过网络提高实际的预测波动率模型度量了许多股票指数。使用资产的关联网络,我们表明,意识到波动的标准模型的预测的准确性和性能增强,甚至包括波动性CBOE VIX指数等指标作为控制变量。这一结果从金融网络是一种新型的贡献对经济和金融领域的文学发展未来的贡献和这两个相关领域之间的联系。

这些结果有两个含义。从医生的角度看,可以使用这些网络措施来评估当前和未来的多元化的可能性和预期投资组合的预期的波动,改善结果,委托投资服务。其次,这些结果可用于管理代理,监控金融系统的状态,其稳定性,其系统性风险。

我们的研究有助于提高金融市场波动的预测能力基于市场数据。从政策的角度来看,是非常理想的中央银行,股票交易所,以及社区的投资,一般来说,进步提高波动性的估计的任务。例如,是否一个独立机构监测和发布未来波动前景,资产的发展同步,和资产多样化功能将帮助代理商更好地评估金融市场的风险和回报的关系,因此对金融效率产生积极的影响。从这个意义上说,这项工作将帮助决策者提高金融稳定框架和设计模型,考虑金融市场一个复杂的系统,即。,他们的底层结构,他们的相关性,及其交互作用。

我们建立了完整的边缘网络根据皮尔逊回报之间的相关性不同的股票指数。这些相关性测量它们之间的线性关系,除了一个更复杂的非线性组件,确定该系统的不同元素之间的共变。可能扩展的工作是通过更复杂的方法来捕获这些非线性推断网络的结构连接72年]。

同样,同步时间演化之间存在高频互关联的股票市场。它也知道,当考虑更高频率(不只是在一个短线交易),股票的层次结构在发生变化(25]。这个想法使我们认为实现波动率可以表示不同的根据使用的频率分析,因此,有必要研究波动率模型的行为提出了这些场景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

作者要感谢下阿道夫•伊班奈兹授予内部资金研究1154 - 2020(业务School-Jaime Lavin)支持这项研究。