A volatilitás a befektetéseink – például részvényünk, portfóliónk – árának ingadozását mutatja. Magas volatilitásról beszélünk, ha az ár gyakran és nagy mértékben változik, ilyenkor rövid idő alatt sokat veszíthetünk vagy épp nyerhetünk. Ha kis mértékben változik az ár, akkor azt mondhatjuk, hogy a volatilitás alacsony. Az, hogy mitől függ az árfolyamváltozás aktuális és jövőbeni mértéke, számos tényezőtől függ. Éppen ezért a volatilitás modellezése napjainkban is pezsgő kutatási terület, hiszen a volatilitás mértéke hat a befektetési döntésekre, kockázatkezelésre és az opcióárazásra is.
A részvénypiac volatilitásának előrejelzése jelentős fejlődésen ment át az elmúlt évtizedekben. A volatilitás klasztereződés első vizsgálata óta (Engle, 1982), az aszimmetriák megragadásán át (például Nelson, 1991; Glosten és szerzőtársai, 1993) a GARCH típusú modellek opcióárazási alkalmazásáig (például Garcia és szerzőtársai, 2009) robbanásszerű fejlődés volt tapasztalható ezen a területen. Ennek ellenére a 80-as években megfogalmazott kérdésre, hogy a piaci volatilitásnak milyen reálgazdasági forrásai vannak, évtizedekig nem született válasz.
Engle és szerzőtársai (2013) erre a kérdésre kíséreltek meg választ adni. Az írók egy új modellcsalád bevezetését javasolták, amely képes a teljes feltételes varianciát rövidtávú és hosszútávú komponensekre bontani. Javaslatuk szerint a hosszútávú variancia közvetlenül függ a gazdaság alakulásától, míg a rövidtávú variancia az előbbi körül fluktuál.
Ennek a megvalósításához a szerzők két tanulmány eredményére építenek. Az egyik Engle és Rangel (2008), amely bevezette a spline-GARCH modellt. Ez a modell a voltailitást multiplikatív struktúrában, egy lassan mozgó determinisztikus, és egy átlaghoz visszatérő GARCH komponens együtteseként ragadja meg. A másik a Ghysels és szerzőtársai (2005) által életre hívott MIDAS modell, amely lehetővé teszi a különböző frekvencián beérkező adatok egyszerű modellezését. Ezen tanulmányokat kombinálva Engle és szerzőtársai megalkották a GARCH-MIDAS modellt. Ez a modell multiplikatív struktúrájú, de a hosszútávú volatilitást nem determinisztikusnak, hanem sztochasztikusnak tekinti, amely közvetlenül függhet a heti/havi/negyedéves frekvencián elérhető gazdasági aktivitási mutatóktól.
Az írók az amerikai vállalatok értéksúlyozott portfólióján (CRSP value-weighted), 1890 és 2010 közötti időszakon vizsgáztatják új modelljüket. Azt találják, hogy a 120 éves időszakon a teljes volatilitás közel felét a hosszútávú volatilitás adja, de az olyan makrogazdasági változók, mint az ipari termelés vagy termelői árak változása csak részidőszakokban hajtják a hosszútávú komponenst és minimálisan javítják a volatilitás modell illeszkedését. A volatilitás előrejelzése kapcsán azonban azt találja a tanulmány, hogy turbulens gazdasági helyzetben a makrogazdasági változók bevonása egy negyedéves távon ugyanolyan jó, míg hosszabb horizonton sokkal jobb teljesítményre képesek, mint az ezeket nem alkalmazó modellek.
Bár Engle és szerzőtársai munkája után maradtak nyitott kérdések, az általuk bevezetett módszertan jelentős hatással bírt a volatilitás modellezésre, amelyet a mai napig a geo- és klímapolitikai kockázatoktól (Gong és Xu, 2022; Liang és szerzőtársai, 2022), az árupiaci volatilitáson át (Kang és szerzőtársai, 2017) az NFT volatilitás átgyűrűző hatásának vizsgálatáig (Wang, 2022) alkalmaznak.
Nagy Olivér
MNB Intézet
Hivatkozások:
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 987-1007.
Engle, R. F., Ghysels, E., & Sohn, B. (2013). Stock market volatility and macroeconomic fundamentals. Review of Economics and Statistics, 95(3), 776-797.
Engle, R. F., & Rangel, J. G. (2008). The spline-GARCH model for low-frequency volatility and its global macroeconomic causes. The Review of Financial Studies, 21(3), 1187-1222.
Garcia, R., Ghysels, E., & Renault, E. (2009). The Econometrics of Option Pricing. in Ait-Sahalia, Y., & Hansen, L. P. (Eds.) Handbook of Financial Econometrics.
Ghysels, E., Santa-Clara, P., & Valkanov, R. (2005). There is a risk-return trade-off after all. Journal of Financial Economics, 76(3), 509-548.
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779-1801.
Gong, X., & Xu, J. (2022). Geopolitical risk and dynamic connectedness between commodity markets. Energy Economics, 110, 106028.
Kang, S. H., McIver, R., & Yoon, S. M. (2017). Dynamic spillover effects among crude oil, precious metal, and agricultural commodity futures markets. Energy Economics, 62, 19-32.
Liang, C., Umar, M., Ma, F., & Huynh, T. L. (2022). Climate policy uncertainty and world renewable energy index volatility forecasting. Technological Forecasting and Social Change, 182, 121810.
Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 347-370. Wang, Y. (2022). Volatility spillovers across NFTs news attention and financial markets. International Review of Financial Analysis, 83, 102313.
Borítókép: pexels.com
The post Hat-e a gazdaság a piaci volatilitásra? appeared first on Economania blog.