| Περίληψη : | H παρούσα εργασία εξετάζει την δυνατότητα πρόβλεψης των αναμενόμενων αποδόσεων σε χρηματοοικονομικά στοιχεία μέσα από τα μέτρα τεκμαρτής μεταβλητότητας. H έρευνα μας εστιάζει στα δεδομένα από τον δείκτη S&P 500 από τον Ιανουάριο του 1996 μέχρι τον Δεκέμβριο του 2015, σε μηνιαία βάση. Στη μελέτη αυτή παρουσιάζεται η σχέση των αποδόσεων με την τεκμαρτή μεταβλητότητατόσο βραχυχρόνια όσο και μεσοχρόνια. Πιο συγκεκριμένα, τα μέτρα τεκμαρτής μεταβλητότητας που χρησιμοποιούνται είναι η τεκμαρτή μεταβλητότητα για 1 μήνα, 3 μήνες και 6 μήνες αλλά και για το διάστημα μεταξύ 1 και 6 μήνες αλλά και μεταξύ 6 και 12 μηνών. Ταυτόχρονα μελετάμε τις μελλοντικές αποδόσεις του δείκτη για περίοδο 1, 3 και 6 μήνες στο μέλλον. Η εμπειρική μελέτη καταλήγει στο συμπέρασμα ότι τα μέτρα τεκμαρτής μεταβλητότητας λειτουργούν καλύτερα σαν παράγοντες πρόβλεψης των αποδόσεων σε πιο μακροχρόνιο επίπεδο. Οι διαφορές μεταξύ των παλινδρομήσεων σε επίπεδο 1 μήνα και 3 και 6 μηνών είναι πολύ σημαντικές. Έτσι, οι παλινδρομήσεις για τον 1 μήνα δείχνουν ελάχιστη και μη σημαντική συσχέτιση μεταξύ των μεταβλητών ενώ οι παλινδρομήσεις για τους 3 και τους 6 μήνες εμφανίζουν μεγαλύτερη στατιστική σημαντικότητα και καλύτερη ικανότητα επεξήγησης. Επιπλέον, οι ενδιάμεσες μελλοντικές μεταβλητότητες, ειδικά μεταξύ 1 μήνα και 6 μηνών, φαίνεται ότι αποτελούν πιο σημαντική στατιστικά μεταβλητή για την ερμηνεία των αποδόσεων στο διάστημα των 3 και των 6 μηνών. Αυτό μας οδηγεί στο συμπέρασμα ότι η μεταβλητότητα υπό συνθήκη θα πρέπει να εξετάζεται σε ένα ευρύτερο πλαίσιο και όχι με στενά χρονικά περιθώρια ώστε να υπάρχουν καλύτερα αποτελέσματα.Τέλος, τα αποτελέσματα βελτιώνονται με την προσθήκη των παραδοσιακών παραγόντων πρόβλεψης, την μερισματική απόδοση και την σχετική μεταβλητότητα του δείκτη.
This paper examines the possibility of predicting expected returns on financial assets through imputed volatility measures. Our research focuses on data from the S&P 500 index from January 1996 to December 2015, on a monthly basis. This research presents the relationship between returns and imputed volatility in both short-term and medium-term. More specifically, the imputed volatility measures used are the imputed volatility for 1 month, 3 months and 6 months but also for the period between 1 and 6 months and between 6 and 12 months. At the same time we study the future returns of the index for a period of 1, 3 and 6 months in the future. The empirical study concludes that imputed volatility measures work better as predictors of longer-term returns. The differences between the regressions at the level of 1 month and 3 and 6 months are very significant. Thus, the regressions for 1 month show minimal and insignificant correlation between the variables while the regressions for 3 and 6 months show greater statistical significance and better explanatory ability. In addition, intermediate future volatility, especially between 1 month and 6 months, appears to be the most statistically significant variable for interpreting returns over the 3 and 6 months. This leads us to the conclusion that conditional variability should be considered in a broader context and not in a narrow time frame for better results. Finally, the results are improved by adding traditional forecasting factors, dividend yield and relative index volatility.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.