Assoc. prof. Mădălina-Gabriela ANGHEL PhD (madalinagabriela_anghel@yahoo.com)
„Artifex” University of Bucharest
Prof. Constantin ANGHELACHE PhD (actincon@yahoo.com)
Bucharest University of Economic Studies / „Artifex” University of Bucharest
Iulian RADU, PhD Student (julian@linux.com)
The Bucharest University of Economic Studies
Abstract
Prognoza volatilităţii preţurilor activelor financiare a fost mereu în centrul activităţii de cercetare în domeniul finanţelor, în special în domeniul evaluării produselor financiare derivate şi în gestionarea riscului de piaţă. Sunt dovezi empirice multiple că inovaţiile în dinamica rentabilităţilor activelor influenţează volatilităţile viitoare şi că rentabilităţi mari în valoare absolută sunt mult mai susceptibile de urmat de alte randamente mari în valori absolute. Prin urmare, volatilitatea este o variabilă cu grad mare de persistenţă. Mai mult decât atât, în cazul unor informații nefavorabile, volatilitatea tinde să fie mai mare decât în cazul în care există informații favorabile.
Aspectele stilizate cu privire la volatilitate sunt caracteristici importante care trebuie să fie capturate în modele de dinamică ale preţurilor activelor. Interconexiunile dintre rentabilităţi şi volatilitate sunt importante nu numai pentru cuantificarea riscului de piaţă, dar şi pentru evaluarea opţiunilor. Nu sunt disponibile formule analitice pentru evaluarea opţiunilor în cadrul proceselor GARCH şi, ca urmare, sunt folosite metode de simulare pentru evaluarea produselor financiare.
Previziunea volatilităţii este esenţială pentru cuantificarea riscului de piaţă şi pentru evaluarea produselor financiare. Literatura de specialitate se concentrează de obicei asupra rentabilităţilor zilnice şi utilizează pătratul rentabilităţilor ca o măsură a volatilităţii reale.
Baza de datele cu frecvenţă ridicată oferă mai multe informaţii privind tranzacţiile zilnice şi sunt utile nu numai pentru măsurarea volatilităţii, ci şi pentru evaluarea performanţei prognozelor. O situație alternativă construită pe baza rentabilităţilor zilnice, cunoscută sub numele de volatilitate realizată, a fost propusă pentru cuantificarea volatilităţii efective.
Andersen a utilizat un model ARFIMA pentru ecuaţia mediei pentru previzionarea volatilităţii reale și a subliniat faptul că volatilitatea poate îmbunătăţi prognoza, dacă ea însăşi este modelată cu ajutorul unui model parametric, mai degrabă decât să fie utilizată doar în evaluarea performanţei de prognoză a modelelor clasice. În plus, propune un proces VAR (Vector AutoRegresiv) cu memorie lungă pentru modelarea şi prognozarea volatilităţii realizate, oferind dovezi puternice conform cărora noul model are performanţe mai bune în comparaţie cu modelele alternative.
Cuvinte cheie: volatilitate, prețuri, active, risc de piață, rentabilitate, modele, prognoză.
Clasificarea JEL: C10, F40
Study models of the capital market volatility in some countries that joined to the European Union in the last wave
Abstract
The forecast of financial asset price volatility has always been at the heart of financial research, especially in the valuation of financial derivatives and market risk management. There is multiple empirical evidence that innovations in the dynamics of asset returns influence future volatilities and that high returns in absolute terms are much more likely to be followed by other high returns in absolute terms. Therefore, volatility is a variable with a high degree of persistence. Moreover, in the case of unfavorable information, volatility tends to be higher than in the case of favorable information.
Stylized aspects of volatility are important features that need to be captured in asset price dynamics models. The interconnections between profitability and volatility are important not only for quantifying market risk, but also for evaluating options. Analytical formulas are not available for evaluating options in GARCH processes and, as a result, simulation methods are used to evaluate financial products.
Volatility forecasting is essential for quantifying market risk and for valuing financial products. The literature usually focuses on daily returns and uses the square of returns as a measure of real volatility.
The high frequency database provides more information on daily transactions and is useful not only for measuring volatility, but also for evaluating the performance of forecasts. An alternative situation built on the basis of daily returns, known as realized volatility, has been proposed to quantify effective volatility.
Andersen used an ARFIMA model for the mean equation to predict real volatility and pointed out that volatility can improve the forecast if it itself is modeled using a parametric model, rather than being used only to evaluate the forecast performance of classical models. In addition, it proposes a VAR (AutoRegressive Vector) process with long memory for modeling and predicting the volatility achieved, providing strong evidence that the new model has better performance compared to alternative models.
Keywords: volatility, prices, assets, market risk, profitability, models, forecast.
JEL classification: C10, F40
