한국주식시장에서 범위변동성의 기간별 예측력에 관한 연구
Forecasting Power of Range Volatility According to Different Estimating Period
0
조회
0
다운로드
12
인용
0
참고문헌
키워드
초록
변동성을 측정하는 데에는 주로 종가기반(close-to-close)의 수익률 자료를 이용하여 이루어지고 있지만, 일중 변동폭을 나타내는 가격범위에 관한 정보인 고가와저가를 포함한 범위변동성에 대한 연구가 최근 활발해지고 있다. 본 연구는 범위변동성에 대한 개념이 생긴 이후 최근 확장되고 있는 다양한 연구주제와 더불어범위변동성을 실무적으로 활용하기 위한 것으로 범위변동성 예측에 있어 적절한예측기간을 제시하는 것을 목적으로 하고 있다. 범위변동성은 Parkinson(1980;PK), Garman and Klass(1980; GK) Rogers and Satchell(1991; RS), Yang and Zhang(2008; YZ)이 제시한 추정치를 이용하였으며, AR(1), MA(1)모형을 이용하여 예측된 변동성과 실현변동성간의 예측오차를 비교하는데 이때 예측기간을 시변하여 산출함으로써 예측력을 비교분석하였다. 2000.5.22～2009.9.18(총 2,307일간)의KOSPI200지수를 대상으로 분석한 결과는 다음과 같다. 첫째, PK, GK, RS, YZ 변동성 중 KOSPI200의 변동성을 가장 잘 예측하는 변동성은 PK변동성 또는 RS변동성으로 보인다. 두 변동성의 예측력 우위는 분석기간에 따라 미세한 차이를 보이는데 금융위기를 포함하는 경우 PK변동성이 우수하며, 포함하지 않는 경우는 RS변동성이 우수한 것으로 나타났다. 둘째, 금융위기를 포함하지 않는 경우 대부분의 경우 예측오차가 크게 줄어드는것으로 나타나 금융위기처럼 변동성이 크게 나타나는 경우에는 범위변동성을 이용한 변동성예측력이 상당히 떨어질 수 있음을 확인하였다. 셋째, 범위변동성을 이용하여 변동성을 예측하는 경우 AR(1), MA(1)모형의 모수추정기간을 길게 하는 경우 예측오차의 평균은 감소하는 경향이 확인되었다. 특징적인 점은 60일 또는 90일로 기간을 늘일 경우에 예측오차가 급격하게 감소하는경향을 보이는 것인데, 각각의 변동성과 예측모형에 따라 다소의 차이가 나타난다. 그리고, 예측오차의 편차는 90일 이후 큰 변화를 보이지 않고 있는 것으로 보인다. 따라서, 범위변동성을 이용하여 범위변동성을 예측할 경우 90거래일 이상의 가격정보를 이용하여 예측을 하는 것이 예측오차를 줄여 예측력을 높일 수 있을 것으로 판단된다.
Abstract
This empirical study is focused on practical application of Range-Based Volatility which is estimated by opening, high, low, closing price of overall asset. Especially proper forecasting period is what I want to know. There is four useful Range-Based Volatility(RV) such as Parkinson(1980;PK), Garman and Klass(1980; GK) Rogers and Satchell(1991; RS), Yang and Zhang(2008; YZ). So, four RV of KOPSI 200 index during 2000.5.22-2009.9.18was used for empirical test. The emprirical result as follows. First, the best RV which shows the best forecasting performance is PK volatility among PK, GK, RS, YZ volatility. According to estimating period forcasting performance of RV shows delicate difference. PK has better performance in the period with financial crisis of sub-prime mortgage loan. if not, RS is better. Second, almost result shows better performance on forecasting volatility without sub-prime mortgage loan period. so we can say that forecasting performance is lower when historical volatiltiy is comparatively high. Finally, I find that longer estimating period in AR(1) and MA(1) model can reduce forecasting error. More interesting point is that the result shows rapid decrease form 60 days to 90 days and there is no more after 90 days. So, if we forecast the volatility using Range-Based volaility it is better to estimate with 90 trading period or over 90 days.
참고문헌 (39)
- 김규형, "아시아 외환위기와 글로벌 금융위기에서의 중국, 한국, 미국주식시장 사이의 spillover효과에 관한 연구", 경영과 정보연구, 29(2), pp.97~118 (2010), 대한경영정보학회
- 김은영, "A Comparative Study on the Forecasting Performance of Range Volatility Estimators using KOSPI 200 Tick Data", 재무관리연구, 26(2), pp.181~201 (2009), 한국재무관리학회
- 박종해, "범위변동성의예측력에관한연구 -비대칭성에따른비교", 한국금융공학회 상반기 학술발표대회 발표논문 (2010)
- 서상구, "한국주식시장에서 주식규모별 분산비 특성에 관한 연구", 경영과 정보연구, (26), pp.293~309 (2008), 대한경영정보학회
- 엄철준, "주식간 상관관계의 시간종속성에 관한 연구", 대한경영학회 추계국제학술대회 발표논문집, pp.613~628 (2003)
- 엄철준, "주식시장의 상황변화에 따른 주식수익률간 상관관계의 영향 연구", 금융공학연구, 3(1), pp.61~77 (2004)
- 정헌용, "아시아 주식수익률의 동조화에 대한 연구", 경영과 정보연구, 27(27), pp.131~147 (2008), 대한경영정보학회
- 조 담, "코스피지수 변동폭의 실증적 분석", 2010 추계 재무관리학회 발표논문 (2010)
- 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, "The Distribution of Exchange Rate Volatility", Journal of the American Statistical Association, 96, pp.42~55 (2001)
- Andersen, T.G, "Modeling and forecasting realized volatility", Econometrica, 71, pp.579~625 (2003)
- Parametric and Nonparametric Volatility Measurement, "Anderson, T.G", NBER working paper, ~, pp.279 (2002)
- Andreou, E, "Rolling-Sample Volatility Estimators: Some New Theoretical Simulation and Empirical Results", Journal of Business and Economic Statistics, 20, pp.363~376 (2002)
- Bali, T.G, "A Comparative Study of Alternative Extreme-Value Volatility Estimators", Journal of Futures Markets, 25, pp.873~892 (2005)
- Barberis, N, "Prospect Theory and Asset Prices", the quarterly journal of economics CXV, 1(1), pp.1~53 (2001)
- Barndorff-Nielsen, O.E, "Econometric Analysis of Realized Volatility and its Use in Estimating Stochastic Volatility Models", Journal of the Royal Statistical Society Series, 64, pp.253~280 (2002)
- Brown,S.J, "Estimating Volatility, in Financial Options: From Theory to Practice in Homewood", pp.516~537 (1990), Business-One-Irwin
- Chou,R, "Forecasting Financial Volatilities with Extreme Values: the Conditional Autoregressive Range (CARR) Model", Journal of Money Credit and Banking, 37, pp.561~82 (2005)
- Chou,R, "Modeling the asymmetry of stock movements using price ranges", Advances in Econometrics, 20, pp.231~58 (2006)
- Diebold, F.X, "Comparing Predictive Accuracy", Journal of Business and Economic Statistics, 13, pp.253~263 (1995)
- Engle, R. F, "Time-Varing Volatility and the Dynamic Behavior of the Term Structure", Journal of Models,Credit and Banking, 25, pp.336~349 (1993)
- Garman, M.B, "On the Estimation of Security Price Volatilities from Historical Data", Journal of Business, 53, pp.67~78 (1980)
- Haibin Xie, "Forecasting the Technical Range Volatility with Moving Average(TRV-MA) Model" (2009), Working paper
- L. C. G. Rogers, "Estimating correlation from high, low, opening and closing prices", Annals of Applied Probability, 18, pp.813~823 (2008)
- MacKinnon,J.G, "Numerical Distribution Functions for Unit Root and Cointegration Tests", Journal of Applied Econometrics, 11, pp.601~618 (1996)
- Marsh, T.A, "Non-trading, market making, and Estimates of Stock Price Volatility", Journal of Financial Economics, 15, pp.359~372 (2003)
- Nelson,D.B, "Conditional heteroskedasticity in asset returns:A new approach", Econometrica, 59, pp.347~370 (1991)
- Onnela, J.P, "Dynamic Asset Trees and Black Monday", Physics A, pp.247~252 (2003)
- Parkinson,M, "The Extreme-Value Method for Estimating the Variance of the Rate of Return", Journal of Business, 53, pp.61~65 (1980)
- Ray Y.Chou, "Modeling The Asymmetry of Stock Movements Using Price Ranges", Econometric Analysis of Financial and Economic Time Series, 2006, pp.20, 231~257
- Rogers, L.C.G, "Estimating Variance from High, Low and Closing Prices", Annals of Applied Probability, 1, pp.504~512 (1991)
- Shu, J, "Testing Range Estimators of Historical Volatility", Journal of Futures Markets, 26, pp.297~313 (2006)
- Shrestha, M.B, "A Sequential Procedure for Testing Unit Roots in the presence of Structural Break in Time Series Data: an Application to Quarterly Data in Nepal", International Journal of Applied Econometrics and Quantitative, Studies, 2, pp.1~16 (2005)
- Vipul, "Forecasting Performance of Extreme-Value Volatility Estimators", Journal of Futures Markets, 27, pp.1085~1105 (2007)
- Wiggins,J.B, "Empirical Tests of the Bias and Efficiency of the Extreme-Value Variance Estimator for Common Stocks", Journal of Business, 64, pp.417~432 (1991)
- Wiggins,J.B, "Estimating the Volatility of S&P 500 Futures Prices using the Extreme-Value Method", Journal of Futures Markets, 12, pp.265~273 (1992)
- Yang, D, "Drift-independent Volatility Estimation Based on High, Low, Open, and Closing Prices", Journal of Business, 73, pp.477~491 (2000)
- Zhang, L, "A Tale of Two Time Scales: Determining Integrated Volatility with Noisy High-Frequency Data", Journal of American Statistical Association, 100, pp.1394~1411 (2005)
- Zivot, E, "Further Evidence on the Great Crash, the Oil-Price Shock, and the Unit-Root Hypothesis", Journal of Business and Economic Statistics, 10, pp.251~270 (1992)