Publication: Essays on expected equity returns and volatility: modeling and prediction
Loading...
Identifiers
Publication date
2016-09
Defense date
2016-09-30
Authors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
This thesis is based on modeling and predicting expected equity returns and volatility. In
the first step, it focus on multivariate conditional volatility models, where multivariate GARCH
(MGARCH) models are the most traditional approach considered in literature. However, the traditional
MGARCH models need to be restricted so that their estimation is feasible in large systems
and covariance stationarity and positive definiteness of conditional covariance matrices are
guaranteed. To overcome this gap, this thesis analyzes the limitations of some very popular restricted
parametric MGARCH models often implemented to represent the dynamics observed in
real systems of financial returns. These limitations are illustrated using simulated data and a
five-dimensional system of exchange rate returns. We show that the restrictions imposed by the
BEKK model are very unrealistic generating potentially missleading forecasts of condicional correlations.
On the contrary, models based on the DCC specification provide appropriate forecasts.
Alternative estimators of the parameters are important to simplify the computations but do not
have implications on the estimates of conditional correlations.
In the second step, this thesis focus on predicting the mean of equity risk premium. In particular,
we show that existing equity premium forecasts can be improved by combining parsimonious
state-dependent regression models, where well-known macroeconomic predictors are interacted
with an economic state variable based on technical indicators. The combining forecasts proposed
deliver statistically and economically out-of-sample gains vis-a-vis the historical average, traditional
univariate regressions and equal-weighted (EW) combination of macroeconomic forecasts.
The EW combination is widely reported to be not worse than combining forecasts using estimated
weights in equity-premium literature. However, given the relative large set of macroeconomic
variables available as candidate predictors, we show that sparse combining method produces
promising results for equity risk premium prediction.
Esta tesis se basa en modelar y predecir el rendimiento esperado de las acciones y su volatilidad. En la primera etapa se analizan los modelos multivariantes de volatilidad condicional. Los modelos GARCH multivariantes (MGARCH) son los más utilizados en la literatura. Sin embargo, estos modelos necesitan ser restringidos para que su estimación sea factible en grandes sistemas y para que la estacionariedad de segundo orden así como la positividad de las matrices de covarianzas condicionales estén garantizadas. Para poder proponer una solución a este problema, la tesis analiza las limitaciones de algunos modelos MGARCH paramétricos restringidos, los cuales son muy utilizados para representar la dinámica observada en los sistemas reales de rentabilidad financiera. Estas limitaciones se ilustran usando datos simulados y un sistema de cinco series de rendimientos de tipos de cambio. Mostramos que las restricciones impuestas por el modelo BEKK son muy poco realistas, lo que puede generar una mala especificación de las previsiones de correlaciones condicionales. Por el contrario, los modelos DCC generan previsiones apropiadas. Los estimadores alternativos de parámetros son importantes para simplificar los cálculos, pero no tienen implicaciones en las estimaciones de las correlaciones condicionales. En la segunda etapa, la tesis estudia la predicción de la media de la prima de riesgo. En particular, se muestra que las previsiones de la prima de riesgo se pueden mejorar mediante la combinación de modelos de regresión state-dependent parsimoniosos, donde los predictores macroeconómicos interactúan con una variable de estado económico basada en indicadores técnicos. Las combinaciones de previsiones propuestas otorgan estadística y económicamente ganancias out-of-sample con relación a la media histórica, modelos de regresión univariantes y la media de la combinación de previsiones macroeconómicas utilizando iguales pesos (EW). La combinación EW es generalmente aceptada en la literatura de prima de riesgo por no ser peor que la combinación de pronósticos utilizando pesos estimados. Sin embargo, dado el gran conjunto de variables macroeconómicas disponibles como posibles predictores, demostramos que la combinación parsimoniosa del método produce resultados prometedores para la predicción de la prima de riesgo.
Esta tesis se basa en modelar y predecir el rendimiento esperado de las acciones y su volatilidad. En la primera etapa se analizan los modelos multivariantes de volatilidad condicional. Los modelos GARCH multivariantes (MGARCH) son los más utilizados en la literatura. Sin embargo, estos modelos necesitan ser restringidos para que su estimación sea factible en grandes sistemas y para que la estacionariedad de segundo orden así como la positividad de las matrices de covarianzas condicionales estén garantizadas. Para poder proponer una solución a este problema, la tesis analiza las limitaciones de algunos modelos MGARCH paramétricos restringidos, los cuales son muy utilizados para representar la dinámica observada en los sistemas reales de rentabilidad financiera. Estas limitaciones se ilustran usando datos simulados y un sistema de cinco series de rendimientos de tipos de cambio. Mostramos que las restricciones impuestas por el modelo BEKK son muy poco realistas, lo que puede generar una mala especificación de las previsiones de correlaciones condicionales. Por el contrario, los modelos DCC generan previsiones apropiadas. Los estimadores alternativos de parámetros son importantes para simplificar los cálculos, pero no tienen implicaciones en las estimaciones de las correlaciones condicionales. En la segunda etapa, la tesis estudia la predicción de la media de la prima de riesgo. En particular, se muestra que las previsiones de la prima de riesgo se pueden mejorar mediante la combinación de modelos de regresión state-dependent parsimoniosos, donde los predictores macroeconómicos interactúan con una variable de estado económico basada en indicadores técnicos. Las combinaciones de previsiones propuestas otorgan estadística y económicamente ganancias out-of-sample con relación a la media histórica, modelos de regresión univariantes y la media de la combinación de previsiones macroeconómicas utilizando iguales pesos (EW). La combinación EW es generalmente aceptada en la literatura de prima de riesgo por no ser peor que la combinación de pronósticos utilizando pesos estimados. Sin embargo, dado el gran conjunto de variables macroeconómicas disponibles como posibles predictores, demostramos que la combinación parsimoniosa del método produce resultados prometedores para la predicción de la prima de riesgo.
Description
Mención Internacional en el título de doctor
Keywords
Beneficios, Volatilidad, Previsión, Modelo matemático, Estimación de parámetros