کدام نوع از اطلاعات قیمت کالا برای پیش بینی نوسانات بازار سهام ایالات متحده مفیدتر است؟

هدف این مطالعه بررسی انواع اطلاعات قیمت کالا برای پیش بینی نوسانات واقعی بازار سهام ایالات متحده (RV) در یک کلمه غنی از داده است. چارچوب استاندارد رگرسیون پیش بینی کننده و داده های RV ماهانه برای بررسی قابلیت پیش بینی RV معاملات آتی کالا برای RV ماه آینده در شاخص S& P 500 مورد استفاده قرار می گیرد. ما از تجزیه و تحلیل مؤلفه های اصلی (PCA) و تحلیل عاملی (FA) برای استخراج عوامل مشترک برای هر نوع و همه انواع معاملات آتی کالا استفاده می کنیم. نتایج ما نشان می دهد که اطلاعات نوسانات آتی دانه ها و نرم ها توانایی پیش بینی قابل توجهی در پیش بینی RV S& P 500 دارد. علاوه بر این، روش FA می تواند پیش بینی های بهتری نسبت به PCA و روش های میانگین در بیشتر موارد داشته باشد. تجزیه و تحلیل بیشتر نشان می دهد که اطلاعات نوسانات دانه ها و نرم ها در طول رکود و پیش از بحران، اطلاعات بیشتری را نشان می دهد. در نهایت، پیش بینی های پنج روش ترکیبی و دوره های مختلف خارج از نمونه تأیید می کنند که نتایج ما قوی هستند.

معرفی

نوسانات بازار سهام به طور جدایی ناپذیری با قیمت گذاری دارایی ها، پرتفوی ها، استراتژی های پوشش ریسک مشتقه و مدیریت ریسک مالی مرتبط است (به عنوان مثال، Bollerslev و Mikkelsen، 1996؛ کریستنسن و نیلسن، 2007؛ کریستنسن و همکاران، 2010 را ببینید). بنابراین، پیش بینی نوسانات هم برای دانشگاهیان، هم برای سیاست گذاران و هم برای متخصصان اهمیت زیادی دارد (به عنوان مثال، کوتموس و بوث، 1995؛ بالابان و همکاران، 2006؛ نارایان و نارایان، 2007؛ وی و همکاران، 2010؛ می تنیک ت..، 2015؛ وانگ و همکاران، 2016؛ ما و همکاران، 2017؛ ما و همکاران، 2019؛ وی و همکاران، 2019). با این حال، بهبود دقت چنین پیش بینی هایی دشوار است، و بنابراین، پیش بینی نوسانات حوزه ای است که نیاز به مطالعه دشوار و معنادار دارد.

مطالعات مختلف ثابت کرده است که نوسانات بازار آینده از نزدیک با نوسانات بازار در ارتباط است (به عنوان مثال ، آنتونیو و فاستر ، 1992 ؛ آنتونیو و هولمز ، 1995 ؛ کرین و لی ، 1996 ؛ هیئت مدیره و همکاران ، 2001 ؛ پیندیک ، 2001 ؛ BAEet al. ، 2004 ؛ Basak and Pavlova ، 2016 ؛ Christoffersen et al. ، 2019). در همین حال ، بازارهای مالی پیوندهای محکمی از قبیل آلودگی ، ادغام ، وابستگی متقابل ، همبستگی ، بازگشت و نوسانات را نشان می دهند (ناریان و ناریان ، 2010 ؛ ناریان و شارما ، 2011 ؛ دیبولد و ییلماز ، 2012 ؛ سیپولینی و همکاران ، 2015). به طور خاص ، Pindyck (2001) از دو دهه گذشته از داده های مجتمع نفتی استفاده می کند تا پیوند بین قیمت های آینده و قیمت ها را نشان دهد ، که یک قرارداد آتی نفت خام شش ماهه است که باید قیمت شش ماهه را تقریباً دست کم بگیرد3-4. 5 درصد. Bae et al.(2004) نشان می دهد که معاملات آینده کره ای نوسانات قیمت و راندمان بازار را افزایش می دهد ، اما تأثیر ناپایداری بر روی سهام که تجارت نمی کنند ، تأثیر می گذارد. Basak and Pavlova (2016) که نشان می دهد تمام قیمت های آینده کالا ، نوسانات و همبستگی مربوط به تأمین مالی است اما برای آینده شاخص نسبت به آینده های غیر Index مهمتر است. همبستگی های کمبود سهام نیز قوی تر می شود. بازارهای مالی به عنوان کانال برای انتقال تأثیرات خارجی به قیمت های نقطه کالا خدمت می کنند. کریستوفرسن و همکاران..

انگیزه ما ساده است. آینده کالاها و نقاط سهام به عنوان پیوندهای محکمی مانند وابستگی متقابل ، مسری ، تجارت بازار ، نوسانات و سرریزهای برگشتی ثبت شده است. به دنبال Degiannakis و Filis (2017) ، آنها از اطلاعات نوسانات از چهار کلاس دارایی مختلف (یعنی سهام ، فارکس ، کالاها و کلان) برای پیش بینی RV روغن خام استفاده می کنند ، و نشان می دهد که جریان نوسانات بازار متقاطع دارای اطلاعات مفید دیگری هستند که می توانند به طور قابل توجهی بهبود یابددقت پیش بینی کننده نفت خام RV. به عبارت دیگر ، کانال های اطلاعاتی بین چهار کلاس دارایی مختلف و بازار نفت خام وجود دارد. با این حال ، مطالعات نسبتاً کمی در مورد پیش بینی نوسانات تحقق بازار سهام ایالات متحده با استفاده از انواع مختلف جریان نوسانات آینده کالا وجود دارد. با الهام از این عدم مطالعات در این زمینه ، هدف اصلی ما در این مقاله بررسی این است که کدام نوع از قیمت کالاها اطلاعات نوسانات تحقق یافته برای پیش بینی RV بورس ایالات متحده مفیدتر است.

به دنبال ادبیات دیبولد و همکاران.(2017) ، ما شش دسته کالاها را مطالعه می کنیم ، کاملاً از جمله نوزده زیر هند. ما از چارچوب استاندارد رگرسیون پیش بینی استاندارد و داده های نوسانات تحقق یافته ماهانه برای کشف پیش بینی RV از کالا برای RV ماه بعدی در S& P 500 از فوریه 1991 تا فوریه 2019 استفاده کردیم. ابتدا با اضافه کردن RV ، نوزده مدل پیش بینی فردی را بدست می آوریم. از آینده کالاها به مدل معیار برای بررسی توانایی پیش بینی هر نوع اطلاعات نوسانات آتی کالا در پیش بینی RV بازار سهام. دوم ، ما از روشهای PCA و MA برای استخراج عوامل مشترک برای هر نوع و انواع آینده کالاها استفاده می کنیم. در ضمن ، ما از یک روش متوسط ساده برای ترکیب مدل های پیش بینی فردی از هر نوع و انواع استفاده می کنیم. نتایج پیش بینی ما نشان می دهد که اطلاعات نوسانات آتی دانه ها و نرم ها از توانایی پیش بینی قابل توجهی برای پیش بینی نوسانات تحقق یافته S& P 500 برخوردار است. روش FA در اکثر موارد می تواند پیش بینی های بهتری نسبت به PCA و روش های متوسط داشته باشد. علاوه بر این ، ما پیش بینی را در حین گسترش ، رکود اقتصادی ، پیشرو و پس از بحران ها بررسی می کنیم. نتایج ما مطابق با نتایج کریستوفرسن و همکاران است.(2019) که دانه ها و نوسانات نرم در هنگام رکود اقتصادی و مقدمات ، اطلاعاتی بالاتری دارند. سرانجام ، نتایج تجربی استفاده از پنج روش ترکیبی محبوب ارائه شده توسط Rapach و همکاران.(2010) و دوره ارزیابی خارج از نمونه ، شواهد مداوم را ارائه می دهد ، و نگرانی های مربوط به داده کاوی را تا حد زیادی کاهش می دهد.

مقاله ما از دو منظر ادبیات را کمک می کند. اول ، این مقاله مربوط به تعداد زیادی از ادبیات وابستگی به نوسانات است. مانند ، دیبولد و همکاران.(2017) ارتباط در نوزده نوسانات بازگشت کالاهای حیاتی را بر اساس تجزیه واریانس از اتورگهای بردار با ابعاد بالا توصیف می کند. مطالعه کریستوفرسن و همکاران.(2019) از پانزده قرارداد آتی کالا برای کشف عوامل متداول در نوسانات کالایی که مربوط به نوسانات آینده بورس سهام و همچنین چرخه تجارت است ، استفاده کنید. با این حال ، مقاله ما با تمرکز بر روی نقطه بازار سهام ایالات متحده بر اساس اطلاعات نوزده نوسانات آتی کالا ، این مطالعات موجود را متفاوت می کند. بدیهی است ، مقاله ما به ادبیات دوم کمک می کند که از دو روش غالب ، یعنی PCA و FA استفاده می کند تا به ترتیب عوامل مشترک را برای هر نوع و انواع آینده کالاها استخراج کند. اطلاعات نوسانات آتی دانه ها و نرم ها پیش بینی برجسته ای را برای پیش بینی RV ماهانه S& P 500 نشان می دهد. علاوه بر این ، روش FA در بیشتر موارد می تواند پیش بینی های بهتری نسبت به PAC و روش های متوسط داشته باشد.

ادامه مقاله به شرح زیر تدوین شده است. ما روش و روش ارزیابی را در بخش 2 ارائه می دهیم. بخش 3 داده های ما را شرح می دهد. ما تمام نتایج تجربی را در بخش 4 گزارش می کنیم. در بخش 5 ، بررسی های پسوند و استحکام را شرح می دهیم. بخش آخر این تحقیق را به پایان می رساند.

قطعه قطعه

مدل معیار و مدل های پسوند

ما ابتدا RV ماهانه را برای کلیه متغیرهای مورد استفاده در این مطالعه می سازیم. مطابق با کار اندرسن و همکاران.(2001) ، وانگ و همکاران.(2018) ، و در میان دیگران ، تعریف RV ماهانه را می توان به شرح زیر بیان کرد ، r v t = ∑ j = 1 m t r t ، j 2 ، جایی که rv_حرفنمایانگر RV ماه t ، م_حرفتعداد کل روزهای معاملاتی را در ماه t و r نشان می دهد_{t ، j}نشان دهنده بازگشت شاخص S& P 500 در روز معاملاتی ماه ماه است. به دنبال مطالعات اندرسن و همکاران.(2001) و

داده ها

نتایج تجربی

در این مطالعه ، ما فقط روی پیش بینی های خارج از نمونه تمرکز می کنیم و نتایج تخمین در نمونه را نادیده می گیریم. دلیل اصلی این امر این است که شرکت کنندگان در بازار ، سیاستگذاران و محققان علاقه بیشتری به دقت پیش بینی خارج از نمونه از مدل پیش بینی نشان داده اند ، و آنها بیشتر نگران استفاده از این مدل پیش بینی در برنامه های عملی آینده هستند. بر اساس این حقایق ، ما بیشتر بر ارزیابی کیفیت پیش بینی خارج از نمونه تأکید می کنیم. ما استخدام می کنیم

بررسی های پسوند و استحکام

در این بخش ، ما ابتدا پنج روش ترکیبی غالب را برای تولید پنج پیش بینی ترکیبی برای بررسی اینکه آیا این پنج روش ترکیبی از روشهای PCA ، FA و متوسط مؤثرتر هستند ، در نظر می گیریم. علاوه بر این ، ما یک سری از تحلیل های اضافی را انجام می دهیم تا بررسی کنیم که آیا نتایج تجربی ما قوی است یا خیر.

نتیجه گیری

در این مطالعه ، ما بررسی می کنیم که کدام نوع اطلاعات قیمت کالا در پیش بینی RV بازار سهام ایالات متحده مفیدتر است. چارچوب رگرسیون پیش بینی استاندارد و داده های RV ماهانه برای کشف پیش بینی RV از معاملات آتی کالا برای RV آینده در نقطه S& P 500 استفاده می شود. اول ، ما قدرت پیش بینی هر آینده کالا را با ترکیب RV نوزده آینده کالای کالا به عنوان یک پیش بینی کننده اضافی در مدل معیار بررسی می کنیم. دوم ، ما از PCA و

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

نویسندگان از ویرایشگر و داوران ناشناس بخاطر اظهارنظرهای روشنگری که مقاله را به میزان قابل توجهی بهبود بخشید ، سپاسگزار هستند. این کار توسط بنیاد علوم طبیعی چین [71701170 ، 71902128] ، صندوق علوم انسانی و علوم اجتماعی وزارت آموزش و پرورش پشتیبانی می شود [17YJC790105 ، 17XJCZH002].