view in publisher's site

Predicting the VIX and the volatility risk premium: The role of short-run funding spreads Volatility Factors

This paper presents an innovative approach to extract Volatility Factors which predict the VIX, the S&P500 Realized Volatility (RV) and the Variance Risk Premium (VRP). The approach is innovative along two different dimensions, namely: (1) we extract Volatility Factors from panels of filtered volatilities — in particular large panels of univariate ARCH-type models and propose methods to estimate common Volatility Factors in the presence of estimation error and (2) we price equity volatility risk using factors which go beyond the equity class namely Volatility Factors extracted from panels of volatilities of short-run funding spreads. The role of these Volatility Factors is compared with the corresponding factors extracted from the panels of the above spreads as well as related factors proposed in the literature. Our monthly short-run funding spreads Volatility Factors provide both in- and out-of-sample predictive gains for forecasting the monthly VIX, RV as well as the equity premium, while the corresponding daily volatility factors via Mixed Data Sampling (MIDAS) models provide further improvements.

پیش‌بینی VI X و صرف ریسک بی‌ثباتی: نقش عوامل بی‌ثباتی سرمایه‌گذاری کوتاه‌مدت

این مقاله یک روش ابتکاری را برای استخراج عوامل ناپایداری ارایه می‌دهد که VRP، VV و VRP را پیش‌بینی می‌کنند. این رویکرد در راستای دو بعد متفاوت، یعنی: (۱)ما عوامل ناپایداری را از پنل های تصعید فیلتر شده استخراج می‌کنیم - در پنل های بزرگ مدل‌های نوع ARCH تک متغیره و روش‌هایی را برای برآورد عوامل ناپایداری مشترک در حضور خطای تخمین و (۲)ما خطر بی‌ثباتی قیمت را با استفاده از عواملی که فراتر از کلاس سرمایه یعنی عوامل ناپایداری استخراج‌شده از پنل های نوسانات گستره‌های سرمایه‌گذاری کوتاه‌مدت می‌روند، پیشنهاد می‌کنیم. نقش این عوامل ناپایداری با عوامل متناظر استخراج‌شده از صفحات گستره‌های بالا و عوامل مرتبط پیشنهاد شده در ادبیات مقایسه می‌شود. عوامل گسترش سرمایه‌گذاری کوتاه‌مدت ماهانه ما عوامل بی‌ثباتی هم سود پیش‌بینی‌شده درون و هم خارج از نمونه را برای پیش‌بینی ماهانه VI X، RV و هم حق بیمه فراهم می‌کنند، در حالی که عوامل نوسانات روزانه متناظر از طریق نمونه‌گیری داده‌های ترکیبی (MIDAS)بهبودهای بیشتری را فراهم می‌کنند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Applied Mathematics
  • ترجمه مقاله Applied Mathematics
  • مقاله ریاضیات کاربردی
  • ترجمه مقاله ریاضیات کاربردی
  • مقاله Economics and Econometrics
  • ترجمه مقاله Economics and Econometrics
  • مقاله اقتصاد و اقتصادسنجی
  • ترجمه مقاله اقتصاد و اقتصادسنجی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.