文摘
COVID-19大流行的影响,美国经济在不同的水平。由于信用违约互换(cds)可以被视为违约概率指标,本文展示了信用违约互换(cds)市场角度对美国经济遭受大流行。构建预测模型估计的可预测性CDS市场部门在大流行期间,即。、制造、能源、银行、消费品和服务和金融行业银行扣除。计量测试用于检查信用违约互换市场的独特性之后宣布大流行的行业。结果表明,金融部门排除银行独特的流感大流行期间执行;即。,the predictability of this sector dropped significantly, and the Chow breakpoint test and Wald coefficient test can identify the shift in the data after declaration of the pandemic.
1。介绍
经济不发展一条直线。他们经过时间的增长和系统性危机的时期。然而,使得非灾难性事件导致危机。COVID-19与不同寻常的特性是由呼吸道病毒引起的1,2),考虑到政府发起封锁和世界各地的其他限制。这些措施的影响美国经济在许多方面,例如,股票(3),公司债券(4),美国国债收益率(5]。甚至COVID-19新闻有一个对美国股市的影响(6]。
本文研究美国信用违约互换(CDS)市场之前和期间COVID-19大流行。信用违约互换是一种合同,将信用风险从债券持有人到第三方。cd显示给定的风险传播公司。如果一个cd越来越广泛的传播,这意味着市场代理考虑公司的违约概率更高。此外,CDS利差表明一些信用风险信息的公司比股票和债券价格(7]。因此,COVID-19大流行对美国经济的影响可以通过一个独特的视角分析了CDS市场。如果有一个结构性转变的cd宣布大流行的数据生成过程后,然后发现在之前的cd研究流感大流行期间将不那么重要。
应用多个模型预测CDS利差的文学作品,例如,马尔柯夫机制转换模型(8),神经网络(9),和支持向量机(10]。然而,这篇文章不是关于发现新的方法来预测CDS利差,相反,它是关于评估是否COVID-19流行影响美国CDS市场的可预测性。一个自回归与外生变量,即。,an autoregressive distributed lag (ARDL) model, is appropriate for this task because it will be easier to see what the differences are in the interconnections between variables in the periods before and during the COVID-19 pandemic, compared to machine learning techniques, which usually perform like a black box. Econometric tests can be also applied to assess the uniqueness of the CDS market during the pandemic.
2。方法
2.1。数据描述
数据包含日常信用违约互换(cds)利差6部门,根据汤森路透圣像行业分类,即:,manufacturing, energy, banks, other financial (the paper refers to it as the financial sector excluding banks), consumer goods (food and beverages), and services, 10 maturities each (6 M, 1 Y, 2 Y, 3 Y, 4 Y, 5 Y, 7 Y, 10 Y, 20 Y, and 30 Y) from 2010 to 2021. CDS spreads for all companies from these sectors were initially downloaded. CDS spreads are relatively small for companies in normal circumstances, but if a company is going through very difficult times with a high chance of default, then the CDS spread can be a hundred times greater than the average value, shifting a CDS spread for a sector dramatically. Companies with a significant number of missing values and outliers were removed, and 237 companies are left for the analysis. In addition, multiple exogenous variables are applied: Federal Funds Rate, 10-year US Treasuries Yield, NYMEX WTI Crude Oil Futures, USD Index, USD/CNY Exchange Rate, S&P 500, S&P 500 VIX, and a set of US sectoral fund indexes (NASDAQ Bank, NASDAQ Financial 100, NASDAQ Insurance, NASDAQ Real Estate and Other Financial Services, S&P 500 Consumer Discretionary, S&P 500 Consumer Staples, S&P 500 Energy, S&P 500 Financial, S&P 500 Health Care, S&P 500 Industrial, S&P 500 Information Technology, S&P 500 Materials, and S&P 500 Real Estate).
2.2。ARDL模型
提出了一种一般ARDL模型方程(1)。后评估变量的品质,高潜力分析中发现的第一个差异自然对数的初始变量(方程(2))。
下面的步骤是建立每个ARDL模型:(1)最优滞后AR模型的结构(2)应用格兰杰因果检验来估计变量潜在有价值的模型(3)潜在价值的变量是补充道,和野生应用于比较限制和不受限制的模型(4)重复步骤2和3,直至没有潜在有价值的变量
形成训练集和测试集如表所示1。五ARDL模型构建为每个cd每个行业的成熟,给300模型(5×10×6)。这是为了应用是否表现不佳的预测模型在COVID-19流行是因为流行病或因为训练集的特异性,可以观察到在其他测试集上的表现不佳。性能测量的均方根误差(MSE方程(3)),平均绝对误差(方程(4),平均绝对百分误差(方程(5))。随机漫步(RW)预测作为基准。
3所示。结果
表的性能预测模型给出的附件。
3.1。制造业
制造业的预测模型的性能如表所示A1- - - - - -A5。在2014/15和2016/17模型训练数据集是特别成功。这个部门在COVID-19 CDS利差是可预测的大流行。
3.2。消费品
预测模型的性能消费品行业如表所示B1- - - - - -B5。2018/19模型训练数据集显示几乎所有测试集的表现。模型训练在超过2016/17的数据集是最稳定的基准。这个部门在COVID-19 CDS利差是可预测的大流行。
3.3。银行
对银行业的性能预测模型如表所示C1- - - - - -C5。流感大流行期间的性能很差。然而,可怜的所有数据集。ARDL模型训练数据集比2010/11基准仅为6个月,1年,2年只有RMSE传播。2013年和2016年的情况是相同的测试集和类似2018年预估6个月价差比基准的措施。ARDL模型优于基准利差只有3年2012测试集,其余的测试集,ARDL模型不超越任何成熟的基准。因此,流感大流行期间表现不佳不是下降由于大流行的可预测性。
3.4。能源
能源部门的预测模型的性能如表所示D1- - - - - -D5。ARDL模型训练2014/15测试集节目的最差表现,但大多数的成功超越基准模型。这个部门在COVID-19 CDS利差是可预测的大流行。
3.5。服务
服务部门的性能预测模型如表所示E1- - - - - -E5。这个部门在COVID-19 CDS利差是可预测的大流行。有趣的是,ARDL模型训练数据集不超过2010/11的基准CDS利差在2014 - 2019年但也超出COVID-19大流行期间,这意味着该行业在大流行期间执行类似于2008后危机时期。
3.6。金融排除银行
的性能预测模型为金融部门排除银行表所示F1- - - - - -F5。有几例ARDL模型优于基准COVID-19大流行期间;因此,检查是否可预测性的下降是由于大流行或者只是预测模型在本部门的业绩不佳是必需的。经过所有时间和期限,模式是明确的;即。,ARDL models outperform the benchmark on test sets before the pandemic but during the pandemic the performance drops.
3.7。Chow断点测试
邹氏检验估计是否有一个断点在特定日期,即。零假设:没有断点在给定的日期。这个测试是合适的,因为是一个潜在的断点的具体日期,2020年3月11日,世界卫生组织宣布COVID-19流感大流行。CDS利差的短期合同显著增加在这个日期。
Chow测试应用如下。找到最优自回归规范部门的CDS利差prepandemic时期(2010 - 2019)。本规范适用于从4 2010年1月至2021年3月10日和2020年3月11日作为一个潜在的断点(表2)。零假设被拒绝所有cd期限只有在金融领域包括银行和一些cd期限和能源领域的服务。
5年时间内可以申请一个更详细的分析。相同的设计适用于2015 - 2019年期间(表3)。金融部门排除银行是唯一领域零假设被拒绝,拒绝了所有cd期限。因此,Chow试验表明,2020年3月11日是金融业的断点只扣除银行。
3.8。瓦尔德系数测试
瓦尔德测试检查约束系数,即。,the null hypothesis: coefficients are equal to given constraints. The Wald test is applied as follows. Optimal autoregression specifications are found for all CDS spreads for a full year after the declaration of the COVID-19 pandemic, and autoregression coefficients are taken for further usage as constraints for the Wald test. These specifications are then applied for CDS spreads each year from 2010 to 2019. The Wald test checks whether or not the autoregression coefficients for a particular year are similar to those in the pandemic period.
制造业的瓦尔德测试可以在表中找到4。所有CDS利差的零假设被拒绝在2012年和2015 - 2019;拒绝一些CDS利差在2011年和2013年和2014年;不拒绝任何2010年CDS利差。制造业CDS利差不执行后,宣布大流行的独特。瓦尔德测试申请所有部门后,所有期限的零假设被拒绝为金融部门每年只扣除银行(表5)。
4所示。结论
本文分析了美国CDS市场。300 ARDL模型构造的发现下降后6 CDS市场部门的可预测性的声明COVID-19大流行。这样的下降被发现只有银行以外的金融部门。此外,Chow断点测试和瓦尔德系数测试被用于检查后6 CDS市场行业的独特性的声明COVID-19大流行。测试显示,只有金融部门排除银行表现独特的流感大流行期间,可以解释如下。金融行业银行包含许多保险公司除外。在美国医疗保健是昂贵的,它主要是通过保险制度来筹集所需资金。大量COVID-19病例出现在美国,和COVID-19治疗是昂贵的。保险公司被要求覆盖这些成本的重要组成部分。结果,金融部门排除银行成为美国2020年危机的前沿。
金融业不包括银行的不寻常的性能意味着这个部门获得的结果分析2010 - 2019年的数据可能不那么相关宣布大流行的结束后,和至少预测模型的性能较低,因为CDS利差的不寻常的模式。这并不意味着这个行业永远这样执行情况造成大流行。大流行结束后,保险公司不会面临意外高支付由于COVID-19,和金融部门排除银行将更有可能执行类似pre-COVID-19大流行时期。然而,其他部门没有执行独特的流感大流行期间使先前的cd研究成果更适用后,宣布大流行的。
数据可用性
使用的数据来支持本研究的发现可以在汤森路透发现画像。
的利益冲突
作者宣称没有利益冲突有关的出版。
补充材料
附件包含表的性能预测模型对所有领域:制造业(A),消费品(B)、银行(C)、能源(D)、服务(E)和金融排除银行(F)。(补充材料)