Essays in Financial Econometrics

• Název práce v češtině: Eseje ve finanční ekonometrii
• Název v anglickém jazyce: Essays in Financial Econometrics
• Klíčová slova: portfolio diversification; dynamic correlations; high frequency data; time-varying copulas; quantile copula regression
• Klíčová slova anglicky: portfolio diversification; dynamic correlations; high frequency data; time-varying copulas; quantile copula regression
• Akademický rok vypsání: 2015/2016
• Typ práce: disertační práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: doc. PhDr. Jozef Baruník, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 11.11.2015
• Datum zadání: 11.11.2015
• Datum potvrzení stud. oddělením: 11.11.2015
• Datum a čas obhajoby: 24.02.2016 00:00
• Datum odevzdání elektronické podoby: 23.12.2015
• Datum proběhlé obhajoby: 24.02.2016
• Oponenti: Dr. Tiziana Di Matteo

Předběžná náplň práce

Správné pochopení závislostí mezi aktivy je zásadním prvkem pro řízení rizik a skladbu portfolia. Přestože výzkum v dané oblasti byl v posledních desetiletích velmi aktivní, nedávná krize let 2007-2008 nám připomněla, že daným závislostem nemusí být porozuměno dostatečně. Tato krize zafungovala jako spouštěč poptávky po modelech zachycující závislostní strukturu. Literatura pak reaguje zaměřením pozornosti na nelineární závislostní modely, které se kvalitativně blíží pozorovaným datům. Ve svojí dizertaci přispívám k tomuto směru třemi články z finanční ekonometrie a zaměřuji se na nelineární závislosti ve finančních časových řadách z jiného úhlu pohledu.

Navrhuji nový empirický model, který umožňuje přesné zachycení a předpověď podmíněné časově závislé sdružené distribuce mezi ropou a akciemi. S využitím nedávno představené míry podmíněných diverzifikačních přínosů, která bere v potaz vyšší momenty distribuce a nelineární strukturu ve chvostech, ukazuji snižující se přínos diverzifikace v posledních deseti letech. Tento přínos se navíc silně měnil v čase. Tato zjištění mají důležité důsledky pro alokaci aktiv, jelikož přínos ze zahrnutí ropy do portfolia nemusí být tak silný, jak se předpokládalo.

Dále zkoumám závislostní strukturu ve finančních časových řadách s užitím kvantilové regrese. Modeluji podmíněné kvantily výnosů s užitím modelů nelineární kvantilové regrese založených na kopulových funkcích. Objevuji další nelinearity v datech a navrhuji použití realizovaných měr v nelineární kvantilové regresi k vysvětlení a předpovídaní podmíněných kvantilů finančních výnosů. Modely nelineární kvantilové regrese jsou dané implicitně z kopulové specifikace a umožňují zachytit možné nelinearity a asymetrie v podmíněných kvantilech finančních výnosů. S užitím vysokofrekvenčních dat, které zahrnují nejlikvidnější americké (USA) akcie v sedmi sektorech, odhaluji silně asymetrické podmíněné závislosti různých úrovní v každém ze sektorů.

Nakonec zahrnuji odhad podmíněné rizikové hodnoty (Value-at-Risk) s užitím kopulové kvantilové regrese. Částečně se odchyluji od současné literatury, která se zaměřuje na systematické riziko, a odhaduji rizikový přínos aktiva na jiné aktivum. Zkoumám tedy přelévání rizika mezi jednotlivými aktivy. Použitý datový vzorek je shodný s předešlým. Nacházím různé úrovně přelévání rizika pro daná odvětví. Navíc se úrovně přelévání výrazně liší i uvnitř jednotlivých odvětví. Tyto výsledky mají velký potenciál využití pro rebalancování portfolií v obdobích finančního tlaku.

Předběžná náplň práce v anglickém jazyce

Proper understanding of the dependence between assets is a crucial ingredient for a number of portfolio and risk management tasks. While the research in this area has been lively for decades, the recent financial crisis of 2007-2008 reminded us that we might not understand the dependence properly. This crisis served as catalyst for boosting the demand for models capturing the dependence structures. Reminded by this urgent call, literature is responding by moving to nonlinear dependence models resembling the dependence structures observed in the data. In my dissertation, I contribute to this surge with three papers in financial econometrics, focusing on nonlinear dependence in financial time series from different perspectives.

I propose a new empirical model which allows capturing and forecasting the conditional time-varying joint distribution of the oil -- stocks pair accurately. Employing a recently proposed conditional diversification benefits measure that considers higher-order moments and nonlinear dependence from tail events, I document decreasing benefits from diversification over the past ten years. The diversification benefits implied by my empirical model are, moreover, strongly varied over time. These findings have important implications for asset allocation, as the benefits of including oil in stock portfolios may not be as large as perceived.

Further, I investigate the dependence structure in financial time series using quantile regression framework. I model conditional quantiles of returns using nonlinear quantile regression models based on copula functions. I explore further non-linearities in the data, and propose to use realized measures in the nonlinear quantile regression framework to explain and forecast conditional quantiles of financial returns. The nonlinear quantile regression models are implied by copula specifications and allow us to capture possible nonlinearities, and asymmetries in conditional quantiles of financial returns. Using high frequency data covering most liquid U.S. stocks in seven sectors, I provide ample evidence of asymmetric conditional dependence and different level of dependence characteristic for each industry.

Finally, I consider conditional Value-at-Risk estimation under copula quantile regression models. I follow a slightly different approach compared to the current literature, where in the focus is systemic risk, and estimate the risk contribution that an asset has on some other individual asset. This approach allows the study of risk spillovers among assets. The dataset which I use for the model is the same as the one in Chapter 3. I find different risk spillover levels for distinctive industries. Furthermore, in some cases the risk spillover levels within the assets of the same industry are very different. These findings have great potential on portfolio re-balancing policies under stress events.