关于政策公告对波动性影响的分类

在表5中，我们展示了该指数在波动性系列中的值；在CAC40和DAX30的两种基于平滑概率的方法中，它们的值始终大于0.9（FTSEMIB的k-均值和SP-差之间的比较为0.85，这是一个例外），即1。鉴于这三种替代方法提供了非常相似的结果，基于平滑概率的解决方案作为模型估计的直接副产品得到了很好的支持，不需要进一步的统计聚类算法。此外，为了验证公告是否以类似的方式进行分类，这一次在四个波动率系列中，我们计算了相同聚类方法的兰德指数，但适用于不同的市场（表6）；我们再一次在分类结果上取得了强烈的一致，兰德指数始终大于0.74，CAC40和DAX30之间有明显的相似性。此外，与其他两种方法相比，SP–Diff方法似乎提供了更相似的市场模式。相比之下，k–means提供的值较低，但在相似性方面仍然较高。我们可以得出结论，基于平滑概率的分类证实了它们在提供可靠结果方面的良好性能，同时考虑到它们的实际推导，使用更正式的k-意味着统计聚类作为基准分类。表3：使用三种替代算法对欧元区波动性系列公告进行分类。括号中的数字是对应组的中心。

在标普水平分类的分组中，方括号中的数字表示t和t的高波动性情况- 1（高-木板）。词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇词汇1921（-0.460）（-0.606）（-0.726）（-0.309）（-0.498）（-0.526）跳跃22171011111（0.539）（0.599）（0.731）（0.715）（0.745）（0.745）表4：四个欧元区波动率系列的三种替代分类方法的U指数不确定性评估。k–指标的物–标的物级别–差异CAC40.124 0.088 0.088DAX30.082 0.054 0.054FTSEMIB 0.244 0.210 0.192IBEX35 0.207 0.156 0.154表5：按波动率系列分类方法之间的调整后兰德指数。k–均值/k–均值/SP–水平/SP–水平SP–差异SP–差异CAC40.962 0.962 1DAX30.962 0.962 1FTSEMIB 0.925 0.851 0.919IBEX35 0.922 0.913 0.990表6：按分类法调整的波动率系列对之间的兰德指数。k–指SP–级别SP–差异CAC40/DAX30.924 0.962 0.962CAC40/FTSEMIB 0.792 0.875 0.951CAC40/IBEX35 0.854 0.913 0.923DAX30/FTSEMIB 0.812 0.859 0.933DAX30/IBEX35 0.805 0.897 0.906FTSEMIB35 0.741 0.828 0.9124。结论性意见在本文中，我们推导了一个新的马尔可夫切换乘法误差模型，以包含与货币政策行为相关的成分：sucha模型扩展了最近的MEM-类贡献[7]，该模型包含了与政策措施引起的波动动力学相关的加性成分。

作为一个相关的副产品，我们提出了一个简单易得的建议，即如何映射估计波动率区域的信息，以便根据央行公告对波动率水平的影响对其进行分类。最近的计量经济学文献在评估实体经济和金融经济中的这些传导机制方面产生了巨大的影响，但它们通常认为不同的公告会产生相同的影响。在我们提出的模型中，在一个更现实的场景中，公告被允许具有不同的重要性，并且没有预先的分类。利用MS特征，我们的模型具有从波动性中提取可归因于非常规政策效应的不可观测信号的优点，其截距因政策宣布而跳跃：估计参数允许我们推导出一个程序，将切换截距的变化映射到可解释为政策对波动性影响的组中。我们提出了两种基于平滑概率的分类，一种基于从制度模式衍生的分类经验法则（SP-水平法），另一种基于相同平滑概率的差异（我们称之为SP-差异）。平滑概率是最大似然估计的副产品，因此可以立即对公告进行分类。在实证应用中对四个欧洲波动率序列的应用表明，基于平滑概率的分类如何提供与统计聚类算法（k-均值）非常相似的聚类。

当MS模型是数据的合适表示时，这种基于平滑概率的分类方法可以扩展到所有情况。考虑到时间序列框架，当有新的观察结果可用时，该程序可以扩展到适用于公告的实时分类，并在预测环境中使用该框架，本文对此进行了说明。鉴于每次新公告都需要重新应用分类，因此之前的分类对于包含新数据或异常值（例如，参见[39]）的鲁棒性还有待观察。此外，验证这种分类方法对于替代时变模型（如[22]中提出的平滑过渡MEM）和替代聚类方法是否稳健可能是一件有趣的事情。一个有趣的扩展是，将某个地区的持续时间建模为公告的函数。研究这一问题的一种方法是采用时变转移概率（TVTP）矩阵，其中在时间t停留在同一区域的概率取决于状态att- 1和虚拟∧t=1，当时间t有公告时。作为一个序列，我们能够估计特定状态的持续时间。在这种情况下，我们感谢匿名裁判提出了这种可能性。没有宣布的情况下，以及在宣布的情况下。我们确实估算了此类TVTP MS–ACM，并且我们确实确认，保持在0区和1区的概率、公告的对应关系、从0区切换到1区的方向或1区的永久性（然而，鉴于1区持续时间较短，pis的系数并不显著）。

该模型在似然比测试方面优于标准模型，但是，当用于分类目的（本文中的主要目标）时，它引入的结果相对于theMS（ACM情况）不那么尖锐，因为它提供的平滑概率通常接近0.5。为了节省空间，这些结果可在补充资料部分获得。参考文献[1]G.Kapetanios，H.Mumtaz，I.Stevens，K.Theodoridis，《评估量化宽松对整个经济的影响》，经济期刊122（564）（2012）F316–F347。[2] M.H.Pesaran，R.P.Smith，《宏观计量经济学中的反事实分析：量化宽松影响的实证研究》，《经济学研究》70（2）（2016）262–280。[3] A.Shogbuyi，J.M.Steeley，《量化宽松对英美股市方差和协方差的影响》，国际金融分析评论52（2017）281-291。[4] D.Kenourgios，S.Papadamou，D.Dimitriou，《量化宽松公告中的日内汇率波动传递》，金融研究快报14（2015）128-134。[5] J.M.Steeley，A.Matyushkin，《量化宽松对金边市场波动性的影响》，国际金融分析评论37（2015）113-128。[6] R.F.Engle，《ARCH模型的新前沿》，应用计量经济学杂志17（2002）425–446。[7] D.Lacava，G.M.Gallo，E.Otranto，《衡量非常规政策对股市波动性的影响》，CRENoS工作论文：2020 06（2020）。[8] C.T.Brownlees，F.Cipollini，G.M.Gallo，《乘法误差模型》，载于：L.Bauwens，C.Hafner，S.Laurent（编辑），《波动率模型及其应用》，威利，2012年，第223-247页。[9] R.F.Engle，G.M.Gallo，《利用印度每日数据的波动性多指标模型》，计量经济学杂志131（2006）3-27。[10] F。

Corsi，《已实现波动率的简单近似长记忆模型》，金融计量经济学杂志7（2009）174–196。[11] E.Maharaj，P.D\'Urso，J.Caiado，《时间序列聚类和分类》，查普曼和霍尔/CRC，2019年。[12] 廖泰华，时间序列数据的聚类——一项调查，模式识别38（11）（2005）1857-1874。[13] S.Aghabozorgi，A.S.Shirkhorshidi，T.Y.Wah，时间序列聚类——十年回顾，信息系统53（2015）16-38。[14] J.Caiado，N.Crato，《基于GARCH的金融时间序列聚类方法：国际股市证据》，载于：C.Skiadas（编辑），《随机建模和数据分析的最新进展》，世界科学出版社，2007年，第542-555页。[15] E.Otranto，通过基于模型的程序对异方差时间序列进行聚类，计算统计和数据分析52（10）（2008）4685–4698。[16] G.De Luca，P.Zucclotto，《金融时间序列聚类中基于尾部依赖的相异性度量》，数据分析和分类进展5（4）（2011）323–340。[17] P.D\'Urso，C.Cappelli，D.Di Lallo，R.Massari，金融时间序列聚类，物理A：统计力学及其应用392（9）（2013）2114–2129。[18] E.Otranto，R.Gargano，《存在主导市场的金融集群》，数据分析和分类进展9（3）（2015）315–339。[19] R.F.Engle，《英国通货膨胀方差估计的自回归条件异方差》，计量经济学50（1982）987–1007。[20] T.Bollerslev，广义自回归条件异方差，计量经济学杂志31（1986）307–327。[21]T.G.Andersen，T.Bollerslev，F.X.Diebold，P.Labys，《已实现汇率波动的分布》，美国统计协会杂志96（2001）42-45。[22]G.M.加洛，E。

Otranto，《利用变化平均水平预测已实现波动》，国际预测杂志31（2015）620–634。[23]F.Cipollini，R.F.Engle，G.M.Gallo，半参数向量MEM，应用计量经济学杂志28（2013）1067–1086。[24]E.Otranto，用乘法误差模型捕捉溢出效应，统计学理论与方法通讯44（15）（2015）3173–3191。[25]S.F.Gray，将利率的条件分布建模为体制转换过程，金融经济学杂志42（1）（1996）27–62。[26]M.J.Dueker，《GARCH过程中的马尔可夫转换和股票市场波动的均值回复》，商业与经济统计杂志15（1）（1997）26-34。[27]F.Klaassen，用区域切换GARCH改进GARCH波动性预测，实证经济学27（2）（2002）363-394。[28]J.D.汉密尔顿，时间序列分析，普林斯顿大学出版社，1994年。[29]C.Kim，马尔可夫转换的动态线性模型，经济计量学杂志60（1994）1-22。[30]M.Augustyiak，M.Boudreault，M.Morales，基于一般崩溃程序、方法和计算的马尔可夫转换garch模型的最大似然估计，应用概率20（1）（2018）165–188。[31]M.Augustyniak，马尔科夫-加什模型的最大似然估计，计算统计与数据分析76（2014）61–75。[32]D.C.Wee，F.Chen，W.T.Dunsmuir，马尔科夫转换GARCH（1,1）模型的似然推断，使用序贯蒙特卡罗，计量经济学和统计学（2020年）。[33]B.E.Hansen，非标准条件下的似然比检验：检验国民生产总值的马尔可夫转换模型，应用计量经济学杂志7（S1）（1992）S61–S82。[34]Z.Psaradakis，M.Sola，F.Spagnolo，N.Spagnolo，使用信息标准选择非线性时间序列模型，时间序列分析杂志30（4）（2009）369-394。[35]页。

R.Hansen，A.Lunde，J.M.Nason，模型置信集，计量经济学79（2）（2011）453–497。[36]H.White，《误判模型的最大似然估计》，计量经济学50（1982）1-25。[37]W.Rand，《聚类方法评估的客观标准》，美国统计协会杂志66（1971）846–850。[38]L.Hubert，P.Arabie，比较分区，分类杂志2（1985）193-218。[39]P.D\'Urso，L.De Giovanni，R.Massari，基于GARCH的时间序列、模糊集和系统的鲁棒聚类305（2016）1-28。