Volume - volatility relation across different volatility estimators

• Název práce v češtině: Vztah obchodované množství - volatilita napříč různými odhady volatility
• Název v anglickém jazyce: Volume - volatility relation across different volatility estimators
• Klíčová slova: obchodované množství, volatilita, předpověď, Garman-Klassův odhad, VAR, HAR, ARFIMA, GARCH
• Klíčová slova anglicky: traded volume, volatility, forecast, Garman-Klass estimator, VAR, HAR, ARFIMA, GARCH
• Akademický rok vypsání: 2011/2012
• Typ práce: bakalářská práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: prof. PhDr. Ladislav Krištoufek, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem
• Datum přihlášení: 29.05.2012
• Datum zadání: 29.05.2012
• Datum a čas obhajoby: 19.06.2013 00:00
• Místo konání obhajoby: IES
• Datum odevzdání elektronické podoby: 17.05.2013
• Datum proběhlé obhajoby: 19.06.2013
• Oponenti: Mgr. Krenar Avdulaj, Ph.D.

Seznam odborné literatury

Beckers, S. 1983, "Variances of Security Price Returns Based on High, Low, and Closing Prices", The Journal of Business (pre-1986), vol. 56, no. 1, pp. 97-97.

Brailsford, T.J. 1996, "The empirical relationship between trading volume, returns and volatility", Accounting and Finance,vol. 36, no. 1, pp. 89-89.

Garman, M.,B. & Klass, M.,J. 1980, “On the Estimation of Security Price Volatilities from Historical Data”, The Journal of Business, vol. 53, no. 1, pp. 67-67.

Pisedtasalasai, A. & Gunasekarage, A. 2007, "Causal and Dynamic Relationships among Stock Returns, Return Volatility and Trading Volume: Evidence from Emerging markets in South-East Asia", Asia - Pacific Financial Markets, vol. 14, no. 4, pp. 277-297.

Song, F., Tan, H. & Wu, Y. 2005, "Trade size, trade frequency, and the volatility-volume relation", The Journal of Risk Finance, vol. 6, no. 5, pp. 424-43.

Taylor, S.J., 2005. Asset Price Dynamics, Volatility and Prediction. New Jersey: Princeton University Press.

Tsay, R., 2005. Analysis of Financial Time Series. 2nd ed. New Jersey: John Wiley & Sons.

Předběžná náplň práce

Volatilita, jakožto latentní veličina, je jednou z nejdůležitějších proměnných v risk managementu, alokaci aktiv a oceňování finančních derivátů. Nedávné výzkumy ukazují, že využití intraday dat k výpočtu range-based odhadů přináší vydatnější výsledky, v důsledku čehož jejich využití ve finančním sektoru roste. Co však zůstává nevyřešené a na čem se ekonomové neshodují, je vztah mezi volatilitou a obchodovaným množstvím.

Tato práce vezme v úvahu jak klasické modely volatility (čtvercové výnosy, absolutní výnosy), tak i range-based modely (Garman-Klass, Parkinson), a bude zkoumat jejich vztah s obchodovaným množstvím. Jako vzorek dat poslouží různá finanční aktiva (burzovní indexy, akcie, bondy). Ke stanovení daných kauzalit bude využita metoda VAR. Následně budou sestaveny impulse-response funkce, které budou popisovat vliv daných proměnných v čase. Vydatnost jednotlivých modelů bude měřena na základě střední čtvercové chyby.

Cílem této práce je:
1) Prezentovat range-based modely a popsat jejich výhody.
2) Nalézt a porovnat vztah mezi jednotlivými modely volatility a obchodovaným množstvím.
3) Zkoumat, zda-li se vliv obchodovaného množství liší napříč vybranými finančními aktivy.

Předběžná náplň práce v anglickém jazyce

Volatility, as a latent variable, is one of the most important aspects in asset allocation, risk management and pricing of financial instruments. Recent research has proved that considering intraday data (open/low/high/close) leads to more efficient range-based volatility estimators. As a consequence of that, application of range-based volatility estimators in financial sector has become more frequent. However, there are still some disputes among researchers about implications regarding trading volume and volatility.

This paper takes into consideration both classical volatility models (squared returns, absolute returns) and range-based volatility models (Garman-Klass, Parkinson) and explores their relations to traded volume. Data from different financial assets are used to scrutinize the implications. The causality regarding volume and volatility is obtained using vector autoregression approach. Subsequently, impulse-response functions are made to determine influence of given variables in time. Predictability of scrutinized models including volume is measured by mean squared error approach.

Main goals of this paper:
1) To present basic range-based volatility estimators and underline their advantages.
2) To find and compare relations among different volatility estimators and traded volume.
3) To explore significance of traded volume across selected financial assets.