KOSPI200 변동성 예측성과：주기적 모형추정과 다기간 예측
Forecasting KOSPI200 Volatility： Periodic Model Estimation and Multi-Period Forecast
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
본 연구는 역사적 변동성(historical volatility), Riskmetrics 지수가중이동평균(EWMA), KOSPI200 옵션의 내재변동성, EGARCH 모형, Component GARCH 모형과 HAR-RV 모형을 대상으로 KOSPI 200 변동성에 대한 예측성과를 분석하였다. 또한 GARCH 모형에 대해서는 매일 모형을 추정하는 대신 3개월이나 6개월을 주기로 추정해도 예측성과에 차이가 없는지를 분석하였다. 1일 후 변동성에 대해서는 EGARCH 모형의 표본외 예측성과가 가장 우수한 것으로 나타났으나, EWMA, VKOSPI와 HAR-RV 모형도 크게 뒤지지 않는 예측성과를 보여주었다. GARCH 모형들의 경우 매일 추정하거나 3개월이나 6개월 마다 추정하거나 변동성 예측성과에 큰 차이를 보이지 않았다. 3일 후, 5일 후와 21일 후의 변동성 예측에서는 EWMA 모형과 GARCH 모형, EGARCH 모형의 예측성과가 우수한 것으로 나타났다. 전체적인 예측능력을 종합해보면, EGARCH 모형이 가장 우수한 것으로 나타났으나 VKOSPI, GARCH 모형에 비해 더 우수하다고 신뢰하기는 어렵다. Diebold-Mariano 검증결과에 의하면, VKOSPI와 GARCH 모형, EGARCH 모형의 예측능력이 같다는 귀무가설이 기각되지 않았기 때문이다. 이는 EGARCH 모형의 예측성과가 더 좋기는 했지만, 예측성과의 상대적 우월성이 통계적으로 유의적인 수준으로 신뢰할 만한 정도는 아님을 의미한다.
Abstract
There have already been numerous empirical researches on the forecasting performance of various volatility forecast models. But the forecast evaluation scheme of the recent domestic studies on volatility forecast does not answer the real-life question on which model would produce the best forecasts of the future volatility. This paper performed the moving window estimation each day to calculate the out-of-sample forecast error. It also tried the Diebold-Mariano test to see whether a certain forecast model’s superior performance is statistically significant. We compared the KOSPI200 volatility forecasting performance of historical volatility, Riskmetrics EWMA, VKOSPI, GARCH and HAR-RV. Overall forecast performance of EGARCH model was best, but VKOSPI and EWMA were very close in forecast accuracy. It is not surprising that DM test on the equal forecasting accuracy of EGARCH, VKOSPI and EWMA was not rejected. Another special feature of this paper is the study on whether periodically estimated GARCH models would produce the reasonably accurate forecasts compared with daily estimated model. We found that GARCH models, although estimated every 3 month or 6 month, does not deteriorate in forecast accuracy. EGARCH model’s forecast accuracy became worse, when estimated periodically. But the deterioration of forecasting performance is not serious.
참고문헌 (29)
- 류두진, "변동성 예측모형의 실증성과에 관한 연구: 미국시장을 중심으로", 金融工學硏究, 11(3), pp.59~82 (2012), 한국금융공학회
- 유시용, "KOSPI200 실현변동성 예측력 제고에 관한 연구", 선물연구, 17(1), pp.21~49 (2009), 한국파생상품학회
- 최영수, "변동성 측정방법에 따른 KOSPI200 지수의 변동성 예측 비교", Communications for Statistical Applications and Methods, 17(2), pp.293~308 (2010), 한국통계학회
- 황성원, "국면전환 GARCH 모형을 이용한 변동성 구조 분석 및 예측에 관한 실증 연구", 한국증권학회지, 40(1), pp.171~194 (2011), 한국증권학회
- 조담, "주식의 변동성 추정방법이 VaR에 미치는 영향", 선물연구, 12(2), pp.1~24 (2004), 한국파생상품학회
- Anderson, T. G, "Answering the skeptics：Yes, standard volatility models do provide accurate forecasts", International Economic Review, 39, pp.885~905 (1998)
- Anderson, T. G, "Great realizations", Risk, 13, pp.105~108 (2000)
- Andersen, T. G, "Handbook of Economic Forecasting" (2006), Elsevier
- Anderson, T. G, "Roughing it up：including jump components in the measurement, modeling and forecasting of return volatility", Review of Economics and Statistics, 89(4), pp.701~720 (2007)
- Bandi, F. M, "Microstructure Noise, Realized Variance, and Optimal Sampling", Review of Economic Studies, 75(2), pp.339~369 (2008)
- Barndorff-Nielsen, O. E, "Designing realized kernels to measure the ex post variation of equity prices in the presence of noise", Econometrica, 76(6), pp.1481~1536 (2008)
- Berkes, I, "Sequential changepoint detection in GARCH(p, q) models", Econometric Theory, 20(6), pp.1140~1167 (2004)
- Chiriac, R, "Modelling and forecasting multivariate realised volatility", Journal of Applied Econometrics, 26, pp.922~947 (2011)
- Corsi, F, "A simple approximate long-memory model of realized volatility", Journal of Financial Econometrics, 7, pp.174~196 (2009)
- Diebold, F. X, "Comparing Predictive Accuracy", Journal of Business and Economic Statistics, 13, pp.253~263 (1995)
- Engle, R, "Cointegration, Causality, and Forecasting：A Festschrift in Honor of Clive W. J. Granger" (1999), Oxford University Press
- Figlewski, S, "Forecasting Volatility", Financial Markets, Institutions and Instruments, 6, pp.1~88 (1997)
- Fleming, J, "The economic value of volatility timing", Journal of Finance, 56, pp.329~352 (2001)
- Giot, P, "Market risk in commodity markets：a VaR approach", Energy Economics, 25(5), pp.435~457 (2003)
- Granger, C. W. J, "Practical issues in forecasting volatility", Financial Analysts Journal, 61(1), pp.45~56 (2005)
- Hansen, P. R, "A forecast comparison of volatility models：Does anything beat a GARCH(1, 1)", Journal of Applied Econometrics, 20, pp.873~889 (2005)
- Karolyi, G. A, "A Bayesian approach to modeling stock return volatility and option valuation", Journal of Financial and Quantitative Analysis, 28(4), pp.579~595 (1993)
- Liu, Q, "On portfolio optimization：How and when do we benefit from high-frequency data", Journal of Applied Econometrics, 24, pp.560~582 (2009)
- Lopez, J. A, "Evaluating the predictive accuracy of volatility models", Journal of Forecasting, 20(2), pp.87~109 (2001)
- Nelson, D. B, "Conditional Heteroskedasticity in Asset Returns：A New Approach", Econometrica, 59(2), pp.347~370 (1991)
- Patton, A, "Volatility forecast comparison using imperfect volatility proxies", Journal of Econometrics, 160, pp.246~256 (2011)
- Poon, S, "Forecasting volatility in financial markets：a review", Journal of Economic Literature, 41(2), pp.478~539 (2003)
- Thomas, S, "Selection of value-at-risk models", Journal of Forecasting, 22(4), pp.337~358 (2003)
- Zhang, L, "A tale of two time scales：determining integrated volatility with noisy high frequency data", Journal of the American Statistical Association, 100, pp.1394~1411 (2005)