Forecasting time-varying volatility in global stock markets
Tillgren, Ville (2022)
Pro gradu -tutkielma
Tillgren, Ville
2022
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022062248431
https://urn.fi/URN:NBN:fi-fe2022062248431
Tiivistelmä
This master’s thesis examines volatility forecasting in six global equity indices, namely DAX30 (Germany), FTSE100 (UK), Shanghai SE Composite (China), NIKKEI225 (Japan), S&P500 (US) and Dow Jones Industrial Average (US). The forecasting window is from 1.1.2016 to 31.12.2020. The daily and monthly volatility forecasts of different GARCH-type and moving average models are compared and ranked based on mean squared error and mean absolute error loss functions. The Yang-Zhang volatility estimator is used as a proxy for the actual volatility. The Diebold-Mariano test is used to test statistical difference of the models’ forecasts. The overall finding is that there’s no single model outperforming across indices, although at least one of the EGARCH model was constantly ranked in top three forecasting model under both loss functions. The exception to this was the mean squared error ranking for German DAX30 where the GJR-GARCH and the five-day moving average ranked best daily volatility forecasting models. The moving average and exponentially weighted moving average are best daily volatility forecasting models in Chinese Shanghai SE Composite index. With few exceptions the EGARCH and GJR-GARCH models constantly outperformed the standard GARCH across the indices. With monthly forecasts, the DAX30 and NIKKEI225 were the only indices where the EGARCH was not ranked in top three forecasting model under both loss functions. Although the data show signs of excess kurtosis and fat tails, models with t-distributions are not constantly outperforming their normal distributed counterparts. The Diebold-Mariano test results indicate that in most cases, there’s no statistical difference between the first ranked model forecast and following second or third ranked model forecasts. The Diebold-Mariano test confirm the good performance of the five-day moving average, as the model’s forecasts are almost always statistically equally accurate with the best ranked models’ forecasts. Tämä pro gradu -tutkielma tarkastelee volatiliteetin ennustamista kuudessa eri osakeindeksissä. Indeksit ovat DAX30 (Saksa), FTSE100 (Iso-Britannia), Shanghai SE Composite (Kiina), NIKKEI225 (Japani), S&P500 (Yhdysvallat) ja Dow Jones Industrial Average (Yhdysvallat). Erilaisten GARCH-mallien ja liukuvan keskiarvon päivittäiset ja kuukausitason volatiliteettiennusteet aikajaksolla 1.1.2016-31.12.2020 vertaillaan ja laitetaan järjestykseen MSE ja MAE tappiofunktioiden mukaisesti. Yang-Zhang volatiliteettiestimaattoria käytetään kuvaamaan todellista volatiliteettia. Mallien volatiliteettiennusteiden tilastollista merkitsevyyttä mitataan Diebold-Mariano testillä. Tutkielman keskeinen tulos on se, että mikään yksittäinen malli ei ole toistuvasti paras tutkimuksessa mukana olevissa indekseissä. Päivätason ennusteissa vähintään yksi EGARCH-mallin ennuste on kuitenkin jokaisessa indeksissä kolmen parhaan mallin joukossa. Ainoana poikkeuksena tähän on DAX30, jossa GJRGARCH ennustemallit ovat molempien tappiofunktioiden mukaan parhaimmat. Liukuva keskiarvo sekä eksponentiaalinen painotettu liukuva keskiarvo ovat parhaimmat päivätason volatiliteetin ennustemallit Shanghai SE Composite indeksissä. Asymmetriset EGARCH -ja GJR-GARCH-mallit suoriutuvat volatiliteettiennusteissa lähes toistuvasti tavallista GARCH-mallia paremmin. Kuukausitason volatiliteettiennusteissa DAX30 ja NIKKEI225 ovat ainoat indeksit, joissa EGARCH ei ole kolmen parhaan ennustemallin joukossa. Huipukkuutta paremmin mallintavat Studentin t-jakauman volatiliteettiennusteet eivät toistuvasti suoriudu paremmin verrattuna normaalijakauman volatiliteettiennusteisiin. Diebold-Mariano testin tulokset osoittavat, että suurimmassa osassa tapauksista kolmen parhaan mallin volatiliteettiennusteissa ei ole tilastollisesti merkitsevää eroa ja testi vahvistaa viiden päivän liukuvan keskiarvon hyvänä volatiliteetin ennustemallina, sillä mallin volatiliteettiennusteet ovat lähes kaikissa tapauksissa tilastollisesti yhtä tarkkoja parhaan mallin ennusteen kanssa.