Алгоритм расчета индекса диверсификационного потенциала рынка
Нагапетян А.Р., Олейник Е.Б.

1
Введение

2
Анализ литературы

3
Модель

5
Результаты
Данные

6
Таблица 1. Финансовые активы, по которым рассчитываются отраслевые индексы Московской биржи
Таблица 2. Основные отраслевые фондовые индексы Московской биржи

7
Рис. 1. Динамика ежедневных значений DPI_MICEX в январе 2014 г. — декабре 2017 г.

8
Таблица 3. Сравнительный анализ показателей, описывающих динамику реализованной волатильности фондовых
Таблица 4. Результаты сравнения качества прогнозов с использованием моделей HAR-RV и HAR-RV_DPI на основе MCS

9
Рис. 2. Динамика ежедневных значений реализованной волатильности актива MICEXFNL в сентябре-декабре 2017 г.
Заключение

10
Литература

Ключевые слова: кластеризация волатильности, реализованная корреляция, DCC, MEWMA, OGARCH, диверсификационный потенциал рынка, MCS

Аннотация

В исследовании приведен алгоритм расчета индекса диверсификационного потенциала (ИДП) рынка на основе динамики попарных коэффициентов корреляции активов, торгующихся на нем. Предложен подход к моделированию волатильности доходности акций, фондовых индексов, портфелей; разработана модель прогнозирования, отличающаяся от уже существующих возможностью учитывать динамику ИДП рынка и получать более точные прогнозы.

Журнал: «Управленческий учет и финансы» — №4, 2019 (© Издательский дом Гребенников)
Объем в страницах: 11
Кол-во знаков: около 18,394

1. Аганин А. Сравнение GARCH и HAR-RV моделей для прогноза реализованной волатильности на российском рынке // Прикладная эконометрика. — 2017. — Т.48. — С. 63–84.

2. Нагапетян А. Кластеризация волатильности доходности акций и динамика диверсификационного потенциала на российском рынке // Теория и практика общественного развития. — 2017. — №6. — C. 77–80.

3. Нагапетян А. Моделирование корреляции доходности акций в контексте расчета показателя диверсификационного потенциала заданного множества активов // Теория и практика общественного развития. — 2019. — №6. — С. 54–61.

4. Нагапетян А. Сравнение подходов к моделированию индекса диверсификационного потенциала рынка в контексте прогнозирования волатильности доходности финансовых активов // Теория и практика общественного развития. — 2019. — №10. — С. 50–57.

5. Субботин А. Моделирование волатильности: от условной гетероскедастичности к каскадам на множественных горизонтах // Прикладная эконометрика. — 2009. — №3. — С. 94–138.

6. Щерба А. Сравнение моделей реализованной волатильности на примере оценки меры риска VaR для российского рынка акций // Прикладная эконометрика. — 2014. — №34. — С. 120–136.

7. Antonakakis N. (2012). «Exchange return co-movements and volatility spillovers before and after the introduction of euro». Journal of International Financial Markets Institutions & Money, Vol. 22(5), pp. 1091–1109.

8. Areal N.M., Taylor S.J. (2002). «The realized volatility of FTSE-100 futures prices». Journal of Futures Markets, Vol. 22(7), pp. 627–648.

9. Arouri M., Jouini J., Nguyen D.K. (2012). «On the impacts of oil price fluctuations on european equity markets: volatility spillover and hedging effectiveness». Energy Economics, Vol. 34, pp. 611–617.

10. Barndorf-Nielsen O., Hansen P., Lunde A., Shephard N. (2008). «Designing realized kernels to measure the ex post variation of equity prices in the presence of noise». Econometrica, Vol. 76(6), pp. 1481–1536.

11. Barone-Adesi G. Engle R., Mancini L. (2008). «GARCH option pricing model with filtered historical simulation». Review of Financial Studies, Vol. 21, pp. 1223–1258.

12. Bollerslev T. (1986). «Generalized autoregressive conditional heteroscedasticity». Journal of Econometrics, Vol. 31(3), pp. 307–327.

13. Ceylan O. (2012). «Time-varying volatility asymmetry: a conditioned HAR-RV(CJ) EGARCH-M model». GIAM Working Papers, No. 12-4.

14. Corsi F. (2004). «Simple long memory model of realized volatility». Journal of Financial Econometrics, Vol. 7, No. 2, pp. 174–196.

15. Craioveanu M., Hillebrand E. (2012). «Why it is ok to use the HAR-RV (1, 5, 21) model». Working Paper, No. 1201. University of Central Missouri, Department of Economics and Finance.

16. Duan J. (1995). «The GARCH option-pricing model». Mathematical Finance, Vol. 5(l), pp. 13–32.

17. Engle R. (1982). «Autoregressive conditional heteroscedasticity with estimates of variance of United Kingdom inflation». Econometrica, No. 50, pp. 987–1008.

18. Engle R., Ghysels E., Sohn B. (2013). «Stock market volatility and macroeconomic fundamentals». Review of Economics and Statistics, Vol. 95(3), pp. 776–797.

19. Hansen P., Lunde A. (2006). «Realized variance and market microstructure noise». Journal of Business & Economic Statistics, Vol. 24(2), pp. 17–161.

20. Kruse R. (2006). Can Realized Volatility Improve the Accuracy of Value-at-Risk Forecasts? Working Papers. Leibniz University of Hannover.

21. Lahaye J., Shaw P. (2014). «Can we reject linearity in an HAR-RV model for the S&P 500? Insights from a nonparametric HAR-RV». Economics Letters, Vol. 125(1), pp. 43–46.

22. Lanne M., Saikkonen P. (2005). «Non-linear GARCH models for highly persistent volatility». The Econometrics Journal, Vol. 8(2), pp. 251–276.

23. Ling S., McAleer M. (2003). «Asymptotic theory for a vector ARMA-GARCH model». Econometric Theory, Vol. 19, pp. 278–308.

24. Liu L., Patton A., Sheppard K. (2012). Does Anything Beat 5-minute RV? A Comparison of Realized Measures Across Multiple Asset Classes. Depart-ment of Economics Discussion Paper series,645. University of Oxford.

25. Mensi W., Beljid M., Boubaker A., Managi S. (2013). «Correlations and volatility spillovers across commodity and stock markets: Linking ener-gies, food, and gold». Economic Modelling, Vol. 32, pp. 15–22.

26. Mollick A., Assefa T. (2013). «US stock returns and oil prices: the tale from daily data and the 2008–2009 financial crisis». Energy Economics, Vol. 36, pp. 1–18.

27. Wang P. (2009). Modeling and Forecasting of Realized Volatility Based on High-frequency Data: Evidence from FTSE-100 index. Helsinki: Hanken School of Economics.

28. Zhang L., Mykland P., Ait-Sahalia Y. (2005). «A tale of two time scales: determining integrated volatility with noisy high-frequency data». Jour-nal of the American Statistical Association, Vol. 100(472), pp. 1394–1411.

Нагапетян Артур Рубикович

Нагапетян Артур Рубикович

Старший преподаватель департамента экономических наук Школы экономики и менеджмента Дальневосточного федерального университета.

г. Владивосток

Олейник Елена Борисовна

Олейник Елена Борисовна
д. э. н.
доцент, профессор

Доцент кафедры бизнес-информатики и экономико-математических методов в экономике Школы экономики и менеджмента Дальневосточного федерального университета.

г. Владивосток