新闻对预测重大损失重要吗？

情绪指数是使用新的信息供应商（FactSet workstation）和与众所周知的“好、坏”方案相关的“高”字的新分类，来计算特定字数类别的函数。3.模型的特殊性如导言所述，在本文中，我们调查和比较了使用Engle（1982）引入的一系列流行的自回归条件异方差（ARCH）模型获得的预测，随后Bollerslev（1986）将其推广到GARCH家族。为了解释有关财务回报的众所周知的程式化因素，我们考虑了几种不同于条件波动动力学以及误差项分布的具体情况。此外，一阶自回归项被纳入所有竞争模型的条件平均值规格中，以捕捉高频数据经常显示的负一阶自相关，如Gencay等人（20 01）和其他人所记录的。形式上，让对数在时间t返回，对于t=1，2，T，我们考虑以下通用模型规格rt=u+φrt-1+εt，εt=σtζt，ζt~ D（0，1），其中ζ是独立且相同分布的随机变量序列，一般分布D（0，1）的均值为零，方差为1，σ是RTA的条件标准偏差，φ是自回归参数，假设为|φ|<1以保持平稳性。关于误差分布D（0，1）的具体情况，我们考虑了通常的细尾高斯N（0，1）假设和两种替代方案，即Student-tν0,ν-2ν, 自由度m和广义误差分布（GED），能够重现经验上经常观察到的高水平峰度。标准化的GED，即。

GE（0，1，ν）具有由f（0，1，ν）=νexp给出的条件密度-q2/νΓ（ν）-1)Γ(3ν-1） |t|νq2/νΓ（ν）-1)Γ(3ν-1)1+ν-1Γ(ν-1)(-∞,∞)（t），（1）其中形状参数∈ (0, ∞) 调节尾部行为：ν=2使池塘变为高斯密度，而ν=1对应于Kotz等人（2001）的拉普拉斯分布。我们通过引入GARCH模型族的条件波动率项σt的动态模型来完成模型规范。ARCH型模型是条件波动率建模的灵活且强大的工具；它们能够考虑波动性聚集现象、峰度过大和数据不对称。此外，它们还允许以高效的方式在条件波动率动态的具体说明中引入外源信息。我们认为作为基准的最简单的条件波动率动力学是Bollerslev（1986）引入的GARCH（1,1）规范σt=ω+δTxt+αεt-1+βσt-1，（2）其中ω>0和0≤ α、 β<1，α+β<1，以保持条件方差的弱遍历性。为了解释不对称反应（杠杆效应，见Black 1976），我们还考虑了另外两种规格，即Nelson（1991）的EGARCH（1,1）o logσt= ω+δTxt+g（ζt）-1） +β对数σt-1., （3） 式中g（ζt）=αζt+γ（|ζt|- E |ζt |），以及Glo-sten等人（1993）的GJR-GARCH（1,1）σt=ω+δTxt+αεt-1+ γ(-∞,0]（εt）-1） εt-1.+ βσt-1，（4）其中ω>0，0≤ α、 β，γ<1，α+β+γP（ζt<0）<1，P（ζt<0）表示在ζt的所选分布下观察到负事件的概率，（a，b）（x）表示区间（a，b）中x具有非零值的指示函数。

在所有考虑的波动率规格中，Xt表示时间t的外部变量向量，用于衡量新闻对条件波动过程的影响，δ表示相关回归参数。第6节详细介绍了根据记录的金融和宏观经济新闻构建外生定量回归的程序。为了估计模型参数，我们考虑了最大似然法，见。g、 Francq和Zakoian（2010）。模型的选择程序若干替代模型规范的可用性能够充分描述未观测数据生成过程（DGP），这就开启了根据给定的优化标准选择“最佳匹配模式l”的问题。最优性标准的定义需要事先指定一个目标，根据该目标评估每个模型复制该特征的能力。由于在本文中，我们感兴趣的是根据对重大损失的预测能力对几种模型规格进行比较，自然的候选者将是a/E违规率或通常的条件和无条件覆盖率测试，并结合选择程序。尽管它们与比较VaR违规有公认的相关性，这些测试未能根据VAR的预测精度来确定替代模型规格。为了克服这个问题，并呈现对理论违规次数较少不太敏感的结果，我们采用了Hansen等人（2011）最近开发的模型置信集（MCS）程序。汉森的程序包括一系列的统计测试，这些测试允许建立“高级模型集”（SSM），在这种情况下，同等预测能力（EPA）的无效假设不会在一定的置信水平上受到影响。

EPA统计测试要求指定一个损失函数，该函数汇总了比较过程的最终目标。根据预测极端损失的目标，我们建议使用Gonzales等人（2004）的不对称VaR函数作为损失函数，该函数对每种模式Lj=1,2，m在τ-th分位数水平以下的观测更严重，即rt+1<VaRτj，t+1 | t高于其上的观测，其中VaRτj，t+1 | t表示τ-th分位数水平预测的VaR。在我们的比赛中，模型j的损失函数变为lrt+1，VaRτj，t+1 | t= N-1ρτrt+1- VaRτj，t+1 | t, （5） 式中ρτ（z）=zτ -(-∞,0）（z）, 是τ–th分位数服务水平s函数，T是样本外滚动预测的长度。我们现在简要描述MCS程序是如何实施的。该程序从包含第3节中描述的所有模型规格的模型Mof维度m的初始集开始，并产生一个更小的^m集*1.-维数m的α*≤ m表示给定的1级信任- α.当然，最好的情况是，当最终集合由一个单一模式组成，即m*= 1.形式上，让dij，t+1表示模型i和j之间的损失差异，在t+1dij，t+1=lrt+1，VaRτi，t+1 | t- lrt+1，VaRτj，t+1 | t, （6） 对于i，j=1，m、 t=0，N- 1，在dij级数的平稳性假设下，零假设，对于给定的一组模型isH:E（dij）=0，i、 2，j=1，与替代假设相比，m（7）被测试：E（dij）6=0，对于一些i，j=1，m、 （8）适当的检验统计量isTR=maxi，j∈M|dij|q^var“dij, （9） 定义于Hansen等人（2011），其中，\'dij=n-1Pnt=1dij，t测量第i个和第j个模型之间的相对样本损失，而^var“dij是对var的自举估计“dij.

根据Hansen（2011），自举方差“迪·, 通过执行本文附录a中详述的块引导程序计算。块长度p被选为在所有序列上设置静态AR（p）过程后产生的信号自回归参数的最大数量。MCS程序依次消除最差模型，直到集合中的每个模型都接受EPA的零假设，消除规则与（9）iseR=arg maxi一致supj¨dijq^var“dij. （10） 自SSM^M以来*1.-Hanen程序提供的α通常包含大量具有相同VaR预测能力的模型，在下一节中，我们将描述如何实施一个过程，将获得的VaR预测结合起来。5.将上一节详述的SSM程序与VaRsIn g General相结合，为agiven公司提供了一套具有卓越预测能力的模型，即^M*1.-α、 其中所有预测的VaR，VaRτj，t+1 | t，t=1，2，T和j=1，2，M*可用。由于存在多个具有相同预测能力的模型，因此存在将每个模型预测中包含的信息集中起来的问题。结合fo重铸的理论可以追溯到Bates和Granger（1969）以及Reid（1968，1969）的工作，这激发了随后关于这个主题的理论和实证研究。从实证角度来看，Stock和Watson（1999、2001、2004）发现，与只考虑产生预测的“最佳”模型的简单模型选择程序相比，结合预测通常会产生更好的结果。已经提出了几个动机来证明这种经验证据的合理性。

考虑到每种备选模型只提供真实未知DGP的“局部近似”，而不会在评估竞争模型的时间段内，对所有未完成的DGP进行过度评估，主要的判断依据如下。从贝叶斯的角度来看，Hoetinget al.（19 99）的先驱工作支持通过平均不同的模式l规格来处理“模型不确定性”的想法。此外，在决策-理论方法中，组合预测可以被视为一种旨在实现多样化，然后降低“模型选择”风险的程序。T immermann（2006）和Aiol Fi等人（201 1）的作品对预测组合的最新发展进行了出色的调查。在这项工作中，我们转而考虑在相同置信水平τ下组合VaR fo预测的相关主题。正如Giacomini和Komunjer（2005）所说，VaR模型的组合是有益的，因为VaR是一个小的覆盖分位数，对低于分位数估计值的少数观察值敏感。在条件分位数估计的一般框架内，Christo Off ersenet al.（1999）为组合变量提供了一些动机，以获得单一的统计优势度量，但他们没有给出任何方法来选择与每个模型相关的权重。相反，Giacomini和Komunjer（2005）构建了一个包含测试，以比较样本外框架中从非嵌套模型获得的条件分位数预测。然而，他们的工作依赖于一个简单的“滴答”损失函数，它不会惩罚远离估计分位数的更多严重观测。在这里，我们首先使用Hanse n等人的MCS程序确定SSM。

（2011）基于明确定制的“特殊”损失函数，以区分基于分位数的风险度量，然后我们动态加权VaR预测，以在每个时间点产生更好的VaR预测。所提出的动态VaR组合方法可以看作是一种优化选择模型权重的方法，同时也适应了参数不确定性问题。此外，由于估计的模型参数随着时间的推移特别不稳定，因此组合不同的VaR模型可以使单个VaR预测更加可靠。特别是，我们建议汇集来自单个VaRτj，t+1 | t，j=1，2，M*估计值包括以下凸线性组合varτ，dynt+1 | t=m*Xj=1j、 t+1 | tVaRτj，t+1 | t，（11）其中j、 t+1 | t，对于j=1，2，M*是一组特定于模型的权重。原则上，重量j、 t+1 | t，对于j=1，2，M*可以根据VaR违规的过去历史，通过一些优化标准进行选择。我们建议使用以下指数平滑移动平均过程t+1，j=κjt、 j+（1）- κj）~πrt，VaRτj，t | t-1，σj，t, （12） 带κj∈ （0,1）和*πrt，VaRτj，t | t-1，σj，t是方程（5）中定义的τ–quantileloss核的指数，在属于最终se t M的所有可能模型上归一化*1.-α、 即∧πrt，VaRτj，t | t-1，σj，t=扩展lrt，VaRτj，t | t-1./^σj，toPm*jexpnlrt，VaRτj，t | t-1./^σj，to，（13）式中，^σj，t是模型j=1，2，…，的时间t的预测条件方差，M*.方程（13）与模型j=1，2，…，的相对损失一致，M*关于VaR组合的加权平均损失，它保证了对高于和低于预测VaR的回报进行不对称惩罚，同时也考虑了VaR违规的程度。此外，可以看出，等式（13）满足一些最优性标准，因为它对模型错误具有鲁棒性，即。

它最小化了与生成观测数据的概率密度函数相关的库尔贝克-莱布勒散度，见Sriram等人（2013）。t=1时的初始重量设置为1，j=m*, 对于所有j=1，2，M*这保证了下午*j=1t、 对于所有t=2，3，…，j=1，T这样，凸线性组合（12）强制结果VaR（11）属于由估计VaR的最小值和最大值定义的区间，即VaRτ，dynt+1 | t∈minjnVaRτj，t+1 | to，maxjnVaRτj，t+1 | to, 在optima l set^M中*1.-α.最后，我们估计了j=1，2，…，的自回归参数κjj，M*通过最小化Gonzales等人（2004）在预测期内的平均不对称VaR-Los函数。6.实证分析在这一部分中，我们描述了我们如何实证调查新闻报道对预测大损失的影响。特别是，我们描述了用于建立解释新闻到达过程的外生回归方程的程序。然后，我们展示了有关应用哈宁MCS程序的结果，以突出该程序区分不同模型规格的能力。我们还讨论了使用前一节中提出的VaR组合技术获得的结果。6.1. 数据我们的数据集由所有斯托克欧洲60 0组分的1分钟价格和卷制作，从2012年8月17日09:00:00到2013年2月1日09:40:00，包括从彭博工作站记录的每家公司87120次观察结果。从1分钟系列开始，我们以2分钟和5分钟的频率为价格和数量构建了两个系列，其中数量的聚合是通过总和进行的。然后，我们根据“事实集”分类，将个人收益率序列横向汇总为19个部门。

聚合是通过averaginglog–重新返回和对卷求和来完成的，不包括存在缺失值的30个系列。如下文第6.2节所述，2分钟的原始数据集用于初步调查市场新闻响应，而5分钟的部门日志回报用于构建模型，并调查不同模型预测重大损失的能力。表B.2给出了所有考虑的部分的日志返回的描述统计数据。与金融时间序列的程式化事实一致，回报是倾斜的和轻量级的，这表明它们的无条件分布不是Jarque–Bera（JB）统计所记录的正态分布。我们考虑的新闻信息来自“事实集”新闻档案，该档案收集了来自大约35家不同机构的新闻。从该数据库中，werecord 81425公司相关和有时间戳的标题，不包括重复的标题。我们考虑的标题包含各种类型的新闻：这些是宏观经济和机构特定的、计划内的（如盈利报告、电话会议、央行或政治公告）和非计划的。然后，从不相关的新闻中清除收集的标题，例如所有权更新和会议日历宣布。在这一过程结束时，我们仍有51266条标题。下一节将详细介绍外生回归器的构建过程。6.2. 外生回归和模型规格预测重大损失的信息相关性分析始于构建一个“相关波动性词汇”词典，随后用于为我们分析的每个部门提供情绪指标。然后，情绪指标作为外生回归因子包含在第3节规定的模型中。

为此，2分钟数据集分为两个相等的部分：第一部分用于构建词典，而第二部分用于执行样本外分析。所谓“相关波动性词”，我们指的是属于三个不同类别的词，分别是：“积极”、“消极”和“高”。特别是，根据我们的税法，“积极”或“消极”波动性词分别是那些产生积极或消极市场反应的词。那些产生高波动性反应的词被归类为“高”。字典建立过程包括两个主要步骤。第一步将每个样本标题分为三个不同类别：“积极”、“消极”或“高”。根据Koppel和Shtimberg（2004）的程序，我们寻找市场对头条新闻的反应。紧跟着强劲的正面或负面市场走势的标题分别被归类为“正面”或“负面”新闻，以及随后出现的大面积日志——回报被归类为“高”。市场反应的评估基于两分钟的时间框架，而不是Koppe l和Shtrimber g（2004）提出的每日回报。我们决定使用连续两分钟的日志-返回来调查市场新闻反应，因为如引言中所述，半强形式的EMH表明，股票价格将迅速调整以适应公开的新信息。虽然国内市场可能与EMH的半强形式不一致，但高频金融回报经常观察到的高峰值数量表明，应使用短时间框架。