市场时机：极端价格的经济价值

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Timing the market: the economic value of price extremes》
---
作者：
Haibin Xie, Shouyang Wang
---
最新提交年份：
2019
---
英文摘要：
  By decomposing asset returns into potential maximum gain (PMG) and potential maximum loss (PML) with price extremes, this study empirically investigated the relationships between PMG and PML. We found significant asymmetry between PMG and PML. PML significantly contributed to forecasting PMG but not vice versa. We further explored the power of this asymmetry for predicting asset returns and found it could significantly improve asset return predictability in both in-sample and out-of-sample forecasting. Investors who incorporate this asymmetry into their investment decisions can get substantial utility gains. This asymmetry remains significant even when controlling for macroeconomic variables, technical indicators, market sentiment, and skewness. Moreover, this asymmetry was found to be quite general across different countries.
---
中文摘要：
通过将资产收益分解为具有价格极值的潜在最大收益（PMG）和潜在最大损失（PML），本研究实证研究了PMG和PML之间的关系。我们发现PMG和PML之间存在显著的不对称性。PML对预测PMG有显著贡献，但反之亦然。我们进一步探讨了这种不对称性对预测资产收益的作用，发现它可以显著提高样本内和样本外预测的资产收益可预测性。将这种不对称性纳入投资决策的投资者可以获得可观的效用收益。即使在控制宏观经济变量、技术指标、市场情绪和偏度的情况下，这种不对称性仍然显著。此外，发现这种不对称在不同国家相当普遍。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Quantitative Finance        数量金融学
二级分类：Pricing of Securities        证券定价
分类描述：Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--

---
PDF下载：
--> Timing_the_market:_the_economic_value_of_price_extremes.pdf (575.27 KB)

2022-6-11 09:01:52 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：经济价值 Quantitative Applications relationship significant

RES EAR C H Open ACCESS谢海滨和王寿阳**通信：sywang@amss.ac.cnAcademy中国科学院数学与系统科学研究所，北京100190，文章末尾提供了完整的作者信息列表摘要通过将资产收益分解为潜在最大收益（PMG）和潜在最大损失（PML）与价格极值，本研究实证研究了PMG和PML之间的关系。我们发现PML和PML之间存在显著的不对称性。PML对预测PMG有显著贡献，但反之亦然。我们进一步探讨了这种不对称性对预测资产收益的作用，发现它可以显著提高样本内和样本外预测的资产收益可预测性。将这种不对称性纳入投资决策的投资者可以获得可观的效用收益。即使在控制宏观经济变量、技术指标、市场情绪和偏度的情况下，这种不对称性仍然显著。此外，发现这种不对称在不同国家相当普遍。关键词：极端价格、收益分解、不对称性、收益可预测性简介众所周知，极端价格包含有价值的信息，可用于估计和预测金融资产的波动性。Parkinson（1980）、Beckers（1983）、Garmanand Kla ss（1980）、Wiggins（1991）、Rogers and Satchell（1991）、Kunitomo（1992）、andYang and Zhang（2000）、amon g等人证明了与标准方法相比，使用pricerange（定义为高极端价格和低极端价格之间的差异）作为波动性估计器的优越性。Sassan等人（2002）表明，基于arange的波动率估计器不仅效率高，而且近似高斯分布，并且对微观结构噪声具有鲁棒性。

Chou（2005）提出了条件自回归区间模型（conditionalautoregressive range model，CARR），并发现与标准GARCH模型相比，该模型提供了更精确的波动率估计。Brandt和Jones（2006）提出了基于arange的EGARCH模型，并发现波动率具有实质性的可预测性。Martens和Dijk（2007）表明，实现范围是比实现波动率更有效的波动率估计量。目前仍不清楚极端价格是否有助于预测资产回报。尽管对基于区间的波动性进行了大量研究，但据我们所知，很少有研究将资产收益率与极端价格相关联。在一项有趣的研究中，George andHwang（2004）指出，交易员似乎将52周高点作为参考点，以此来评估新闻的潜在影响。因此，接近52周高点与横截面的预期回报率正相关。此外，Li和Yu（2012）建议交易员可以利用历史高点作为另一个主播FinancialInnovation(c)作者。2018开放获取本文根据知识共享署名4.0国际许可证的条款发布(http://creativecommons.org/licenses/by/4.0/)，允许在任何媒体中不受限制地使用、分发和复制，前提是您给予原作者和来源适当的信任，提供到知识共享许可证的链接，并指示是否进行了更改。谢、王金融创新（2018）4:30https://doi.org/10.1186/s40854-018-0110-4against他们评估信息。他们还显示，52周高点和历史高点包含了传统宏观经济变量无法捕捉到的未来市场回报信息。

George和Hwang（2004年）以及Li和Yu（2012年）都暗示，极端价格可能会在解释资产回报方面有额外的信息。本研究试图通过直观分解将资产收益率与极端价格联系起来。下一节将说明资产收益可分解为潜在最大收益（PMG）和潜在最大损失（PML）。将资产收益分解为PMG和PML的想法是由心理学和实证研究结果共同推动的。越来越多的证据表明，投资者对收益/好消息和损失/坏消息有着不同和对称的反应。例如，Kahneman和Tversky（1979年）发现，“价值函数对于收益通常是凹的，对于损失通常是凸的，对于损失通常比收益更陡峭。”这一发现表明交易者对好消息的反应应该不同于对坏消息的反应。Veronesi（1999）指出，如果有正确的信念，当市场在两种不可观察的状态之间变化时，理性的投资者可能在好的时候对坏消息反应过度，而在坏的时候对好消息反应不足。Andersen等人（2003年）使用一个新的汇率报价、宏观经济预期和宏观经济预测数据集来探索外汇中的实时价格发现。他们发现，交易所市场对消息的反应是不对称的，坏消息的影响大于好消息。Nguyen和Claus（2013）解释了消费者对一系列金融和经济新闻的异质反应，并发现消费者对新闻的反应不对称，即消费者对坏消息的反应不是好消息。因此，我们期望将资产收益分解为PMG和PML可以提供一个新的、不同的资产收益动态轮廓。我们发现PMG和PML都显示出非常有趣的时间序列特性。首先，PMG和PML都有很高的持久性。

有充分的证据表明，资产回报率，尤其是对于月度和季度观察，显示出无持续性或低持续性。然而，我们发现PMG和PML中存在显著的持久性，PML比PMG更持久。这一发现似乎与Hong和Stein（1999）的观点一致，他们声称信息是逐渐扩散的，与Hong、Lim和Stein（2000）的观点一致，他们认为坏消息传播缓慢。其次，我们发现PML和PMG之间存在显著的不对称性。格兰杰因果关系检验（Granger，1969）表明，PMLCA使用PMG，但反之亦然。进一步的经验证据表明，PML正预测PMG，这意味着更大的潜在损失意味着未来更大的潜在收益。这一发现表明投资者对坏消息反应过度。这项研究中发现的不对称性对市场时机的选择很有价值。我们发现，这种不对称性可以用来提高股票收益率在样本内和样本外预测中的可预测性。金融经济学家试图找出预测股市总回报的变量。Welch和Goyal（2008）发现，与基于历史平均值的简单预测相比，文献中的一长串预测因子无法提供始终如一的优秀样本外预测。因此，研究这种不对称性的预测能力将是非常有意义的。我们发现，一旦考虑到对称性，样本内预测和样本外预测的收益可预测性都会急剧增加。对于月度数据，样本内的R-square介于1.57%到1.89%之间，样本外的R-squareXie和Wang Financial Innovation（2018）4:30第2页，共24页，介于0.098%到1.46%之间。季度数据也得到了类似的结果。

样本内拟合的方差为2.60%~12.54%，样本外预测的方差为0.97%~3.87%。我们还调查了这种不对称的经济价值，发现它可以提供实质性的效用收益。假设一个风险规避为3的均值方差投资者对市场投资组合和国库券进行投资。使用非对称性预测市场回报，相对于使用历史回报率平均值作为预期市场回报估计的策略，投资者可以获得0.378%–2.41%（月度水平）和2.95%–4.85%（季度水平）的年化确定性等价回报（CER）。夏普比率进一步证明，这种不对称产生了经济价值。PMG和PML之间的不对称性不能用商业周期相关变量、技术指标、市场情绪和偏度来解释。Rapach、Strauss和Zhou（2010）；Henkel、Martin和Nardari（2011年）；Dangl和Halling（2012）等发现收益预测存在显著的不对称性。宏观经济变量通常在经济不景气时表现出显著的样本外预测，但在经济景气时表现出不显著或较弱的预测。然而，我们发现不对称性不能归因于商业周期。即使在控制常用的宏观经济变量时，不对称仍然显著。Baker和Wurgler（2006）发现，市场情绪对大量跨部门股票回报具有强大的预测能力。Baker、Wurgler和Yuan（2012）为投资者情绪的横截面预测能力提供了进一步的国际证据。Huanget al.（2016）提出了两个显著预测股票回报的技术指标：均值回归指标和良好状态指标。Huang等人（2015）提供了市场情绪预测股票总回报的证据。

然而，我们发现，无论是市场情绪还是技术指标都无法解释不对称性。我们还研究了不对称性是否可以用股票收益率的偏斜来解释，但发现它不能解释。本研究与George and Hwang（2004）和Li and Yu（2012）相关。然而，我们至少在三个方面与他们不同。首先，根据收盘价构建bot h 52周高点和历史高点。在本文中，高价格极值是指在指定的时间间隔内的最高交易价格。第二，52周高点和历史高点主要代表新闻水平。例如，如果接近52周来的高点很高，那么该公司更有可能在最近经历了好消息。也就是说，52周高点和历史高点被用来衡量新闻的确定性。在这项研究中，最高交易价格被用作新闻不确定性的代理。最高交易价格越高，价格变化的不确定性越大。第三，George and Hwang（2004）和Li and Yu（2012）重点研究了投资者心理对资产定价的影响。相反，本研究侧重于资产回报的时间序列特性。本文的主要贡献总结如下。首先，我们提出了新的证据，证实了极端价格在预测资产回报时的经济价值。其次，我们记录了资产回报的新不对称性；PML对PMG的影响大于PMG对PML的影响。这种不对称可以用来提高收益的可预测性。论文的其余部分组织如下。第2节介绍了实证方法。第3节提供的实证结果显示，Nxie和Wang Financial Innovation（2018）4:30之间存在显著的不对称性，共24PMG和PML第3页。第4节展示了不对称预测资产收益率及其投资经济价值的力量。

第5节介绍了不对称性的潜在解释。第6节提出了主要股票指数不对称的全球证据。第7节总结全文。计量经济学方法收益分解传统上，有关股票收益的文献仅基于收盘价：rt 1/4 ln CtdTh- ln Ct-1dTh；式中，Ctis是时间t的收盘价，rtis是从t-1到t的持有期内的对数回报。等式（1）的一个问题是，它忽略了时间t-1到t的价格变动，这意味着缺少信息。为了缓解这个问题，我们建议将股票收益分解为高价格极值：rt 1/4 ln Ctd222;- ln Ct‐1d222; 1/4 ln Otd222;- ln Ct‐1d222; 1/2 thln Htd222;- ln OtdTh 1/2 - ln HtdTh- ln CtdTh 1/2  1/4 OVRtthPMGt‐PMLt；d2Th其中Otand和Htare分别为开盘价和高于[t-1，t]的高价。这表明[t-1，t]的股票收益率由三个部分组成： 隔夜收益（OVRt）。OVRt=ln（Ot）-ln（Ct-1）。隔夜返回仪表根据隔夜信息返回。 潜在最大增益（PMGt）。PMGt=ln（Ht）-ln（Ot）。潜在最大收益衡量的是从开盘价到最高价的可能最大利润。 潜在最大损失（PMLt）。PMLt=ln（Ht）-ln（Ct）。潜在最大损失衡量从最高价到收盘价的可能最大损失。方程式（2）不仅显示了回报，还显示了股权风险。本文将方程（2）称为收益分解。PMG和PML衡量价格变动或股权风险的不确定性。从方程（2）中还可以看出，PMG和PML可以作为好消息和坏消息的代理。

因此，PMG和PML的时间序列动力学描述了好消息和坏消息如何被纳入股票价格或价格发现过程。回归分解技术主要基于Kahneman和Tversky（1979）、George和Hwang（2004）以及Li和Yu（2012）。Kahneman和Tversky（1979）表明，投资者在面对可能的收益和损失时表现不同。George和Hwang（2004）以及Li和Yu（20 12）发现，投资者将高价格作为投资工具。因此，我们推测，极端高价可以帮助我们更好地理解资产回报的动态。对于低频率的数据观察，隔夜收益对资产收益变化的贡献很小，因此可以忽略不计。在下一节中，除非另有规定，否则资产收益指的是除去隔夜收益的收益。谢和王金融创新（2018）4:30第4页，共24页资产回报动力学对于时间序列数据，最常用的计量经济学工具是协方差分析。资产回报率rt和rt之间的协方差可以表示为：Cov rt；rt-idTh 1/4 Cov PMGt‐PMLt；PMGt‐i‐PMLt‐i‐id222; 1/4 Cov PMGt；PMGt-idThthCov PMLt；PMLt‐id222; 1/2 ‐ Cov PMGt；PMLt-idThthCov PMLt；PMGt-idTh 1/2 该等式表明，ass et回报中的协方差由两部分决定：PMGt和PMLt中的自方差（Cov（PMGt，PMGt-i），Co v（PMLt，PMLt-i）），以及PMGt和PMLt之间的交叉协方差（Cov（PMGt，PMLt-i），Cov（PMLt，PMGt-i））。每个部分都有经济意义。自协方差inPMGtand pmltmeasures在一定程度上分别衡量了好消息和坏消息的持续性。自协方差越大，新闻传播越慢。PMGt和PMLt之间的互协方差度量PMMGT-i（PMLt-i）和PMLt（PMGt）之间的相互作用。

因此，收益分解表明，资产收益的时间序列动力学具有非常复杂和微妙的内在结构。我们使用ARMA（l，m）-GARCH（p，q）模型对PMG和PML中的自协方差进行建模：St 1/4 μthXli 1/4 1φiSt‐i‐Xmj 1/4 1θjμt‐jthμtμt 1/4 σtutσt 1/4 ωXpi 1/4 1αiσt‐i‐Xqj 1/4 1βjμt‐jut N0；1dTh; i： i：d；d3Th式中，St=PMGt，PMLt。之所以使用GARCH（p，q），是因为金融市场以异方差著称。交叉协方差采用格兰杰因果检验（Granger，1969）。格兰杰因果关系检验用于确定一个时间序列是否有助于预测另一个时间序列。如果可以证明时间序列X值提供了有关Y未来值的统计重要信息，则称时间序列X为格兰杰原因Y。格兰杰意义上的因果关系测试基于以下等式：Yt 1/4 αthXmj 1/4 1αjYt‐jthutd4ThYt 1/4 βthXmj 1/4 1βjYt‐jthXmi 1/4 1γiXt‐ithvtd5Th，其中ut和vt是独立的，具有零均值和有限方差的系列不相关随机变量。X Granger是否导致Y是基于对无效假设的检验，即γ=γ=…=γn=0。拒绝零假设意味着X导致格兰杰意义上的Y。分析更感兴趣的PMGT和PMLTI之间的互协方差。首先，PMGT和PMLTC之间的互协方差可以用来描述投资者如何在历史损失（收益）的条件下形成对未来收益（损失）的预期。因此，这与有关投资者对损益的不对称反应的文献有关。其次，它与回报的可预测性高度相关。