Volume - volatility relation across different volatility estimators
| Thesis title in Czech: | Vztah obchodované množství - volatilita napříč různými odhady volatility |
|---|---|
| Thesis title in English: | Volume - volatility relation across different volatility estimators |
| Key words: | obchodované množství, volatilita, předpověď, Garman-Klassův odhad, VAR, HAR, ARFIMA, GARCH |
| English key words: | traded volume, volatility, forecast, Garman-Klass estimator, VAR, HAR, ARFIMA, GARCH |
| Academic year of topic announcement: | 2011/2012 |
| Thesis type: | Bachelor's thesis |
| Thesis language: | angličtina |
| Department: | Institute of Economic Studies (23-IES) |
| Supervisor: | prof. PhDr. Ladislav Krištoufek, Ph.D. |
| Author: | hidden - assigned by the advisor |
| Date of registration: | 29.05.2012 |
| Date of assignment: | 29.05.2012 |
| Date and time of defence: | 19.06.2013 00:00 |
| Venue of defence: | IES |
| Date of electronic submission: | 17.05.2013 |
| Date of proceeded defence: | 19.06.2013 |
| Opponents: | Mgr. Krenar Avdulaj, Ph.D. |
| References |
| 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. |
| Preliminary scope of work |
| 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. |
| Preliminary scope of work in English |
| 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. |