Volatility modeling : evidence from CEE stock markets

Abstract

Práce aplikuje heterogenní autoregresní modely realizované volatility na vysokofrekvenční data akciových indexů v Praze, Budapešti a Varšavě. Jejím cílem je zachytit chování tří skupin účastníků trhu obchodujících na denní, týdenní a měsíční bázi a odhadnout jejich roli v predikci denní realizované volatility. Předmětem výzkumu jsou také přístupy zaměřující se na detekci skoků ve volatilitě a jejich vlivu na predikční schopnost modelů. V další části práce specifikujeme pomocí wavelet analýzy období a frekvenci, během které indexy vykazují společný vývoj. Přínos této práce spočívá především v primární aplikaci heterogenních autoregresních modelů realizované volatility na vybrané akciové indexy v oblasti střední a východní Evropy. Výstupy modelů ukazují, že budoucí realizovaná volatilita je na trzích určena velmi podobně a ve všech případech vylučuje vliv těch účastníků trhu, kteří obchodují v horizontu jednoho měsíce. Navíc se potvrzuje přítomnost skoků ve volatilitě jako vysoce relevantního ukazatele pro její budoucí vývoj. Výsledky wavelet analýzy potvrzují tendenci trhů vyvíjet se stejným směrem v období přibližně čtyř měsíců.

The thesis applies newly developed heterogenous autoregressive model of realized volatility on high frequency data of three stock market indices: Prague, Budapest and Warsaw with the aim to capture behavior of three different market participants and to quantify their role in forecasting daily realized volatility. Also, the presence of jumps in volatility is investigated and the predictive power assessed. In addition, wavelet analysis is used to detect periods and frequencies of comovements between the three indices. The main contribution of the thesis lies especially in its primary empirical analysis conducted in CEE region. The estimation results indicate that future realized volatility is determined very similarly in all markets with an insignificant impact of participants trading on monthly basis. Moreover, occurrence of a jump proves to be of a high relevance when predicting future volatility. Moreover, wavelet analysis indicates a strong degree of comovement at a frequency of few months across the whole period examined.