A devizaárfolyamok és a részvénypiac volatilitásának előrejelzése a GARCH modellekben

Szerzők

  • Hedvig Gál Budapesti Corvinus Egyetem Közgazdasági és Gazdaságinformatikai Doktori iskola PhD kandidátusa

DOI:

https://doi.org/10.17836/EC.2022.1.042

Kulcsszavak:

előrejelzés, volatilitás, devizaárfolyam, részvénypiac, C22, C51, C53

Absztrakt

A pénzügyi folyamatok alakulása több különböző pénzügyi modellel is leírható. A GARCH (Generalized Autoregressive Conditional Heteroscedasticity) modell típusok előnye az előrejelzési technika megléte a kiválasztott időhorizonton belül. Az empirikus elemzésemben azt az optimális GARCH modellt kerestem, amely statisztikai szempontból minél pontosabb előrejelzést nyújt. Az adatok tekintetében lényeges, hogy az osztaléktól megtisztított értékek kerültek a vizsgált adatbázisba. A gazdasági ingadozások vizsgálatánál látható, hogy a nagy gazdasági világválság idején jelentősebb volatilitás figyelhető meg a részvényárfolyamok hozamaiban. Az tényleges OTP és a MOL részvényárfolyamok változásai visszatükrözték az ötnapos empirikus előrejelzést.

Hivatkozások

Ardia, D. – Bluteau, K. – Boudt, K. – Leopoldo, C. – Trottier, D. (2019): Markov-Switching GARCH Models in R: The MSGARCH Package, Journal of Statistical Software, 91(4).DOI: https://doi.org/10.18637/jss.v091.i04

Bollerslev, T. (1986): Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, Elsevier, 31(3), 307–327. DOI: https://doi.org/10.1016/0304-4076(86)90063-1

Boudt, K. – Croux, C. (2010): Robust M-Estimation of Multivariate GARCH Models, Computational Statistics and Data Analysis, 54, 2459–2469. DOI: http://dx.doi.org/10.2139/ssrn.1086019

Boudt, K. – Danielsson, J. – Laurent, S. (2013): Robust Forecasting of Dynamic Conditional Correlation GARCH Models, International Journal of Forecasting, Vol. 29. DOI: https://doi.org/10.1016/j.ijforecast.2012.06.003

Brownlees, C. T. – Engle, R. F. – Kelly, B. T. (2011): A practical guide to volatility forecasting through calm and storm, Journal of Risk, Vol. 14. DOI: https://doi.org/10.21314/JOR.2012.237

Christensen, B. J. – Nielsen, M. Ø. – Zhu, J. (2009): Long Memory in Stock Market Volatility and The Volatility-in-mean Effect: The Fiegarch-m Model, Working Paper 1207, Economics Department, Queen’s University. http://hdl.handle.net/10419/67753

Engle, R. (1982): Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica, 50(4), 987–1007. DOI: https://doi.org/10.2307/1912773

Engle, R. (2003): Risk and Volatility: Econometric Models and Financial Practice, Nobel Lecture, New York University, Department of Finance (Salomon Centre), 44 West Fourth Street, New York. DOI: https://doi.org/10.1257/0002828041464597

Engle, R. (2002): Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroscedasticity Models, Journal of Business & Economic Statistics, 20(3) (Jul., 2002), 339–350. DOI: https://doi.org/10.1198/073500102288618487

Laurent, S. – Rombouts, J. V. – Violante, F. (2012): On the forecasting accuracy of multivariate GARCH models. Journal of Applied Econometrics, 27(6), 934–955. DOI: https://doi.org/10.1002/jae.1248

Markowitz, H. (1952): Portfolio Selection. The Journal of Finance, 7, 77–91. DOI: https://doi.org/10.2307/2975974

Tobin, J. (1958): Liquidity Preference as Behavior towards Risk. Review of Economic Studies, 25, 65–86. DOI: https://doi.org/10.2307/2296205

A devizaárfolyamok és a részvénypiac volatilitásának előrejelzése a GARCH modellekben

##submission.downloads##

Megjelent

2022-08-15

Hogyan kell idézni

Gál , H. (2022). A devizaárfolyamok és a részvénypiac volatilitásának előrejelzése a GARCH modellekben. E-Conom, 11(1), 42–48. https://doi.org/10.17836/EC.2022.1.042

Folyóirat szám

Évf. 11 szám 1 (2022)

Rovat

Tanulmányok

License

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.