Populiariausi pagalbiniai finansinio kintamumo rodikliai yra absoliučios ir kvadratinės grąžos. Šie du rodikliai yra plačiai nagrinėjami įvairiuose kintamumo tyrimuose. Šiame darbe mes juos praplėsime nagrinėdami absoliučias grąžas tam tikrame teigiamame laipsnyje. Pagalbinio kintamumo rodiklio statistinėms savybėms gauti, naudosime įvairius kintamumo modelius: apibendrintą autoregresinį sąlyginio heteroskedastiškumo modelį, stochastinio kintamumo modelį, eksponentinį apibendrintą autoregresinį sąlyginio heteroskedastiškumo modelį bei asimetrinį laipsninį autoregresinį sąlyginio heteroskedastiškumo modelį. Šiuos apibrėžimus mes pritaikysime S&P 500 uždarymo kainų indekso duomenims nuo 1928.01.01 iki 2007.12.31. Siekdami nustatyti geriausią laipsnį, naudosime du metodus: vidutinę kvadratinę paklaidą ir autokoreliacinės funkcijos elgesį. Vidutinės kvadratinės paklaidos pagalba nagrinėsime kintamumo rodiklį kaip kintamumo įvertį ir ieškosime laipsnio, minimizuojančio šią funkciją. Šiame darbe gaunama, kad laipsnis svyruoja apie 2-3. Taip pat ieškosime laipsnio, kuris duos stipriausią papildomo kintamumo rodiklio koreliaciją. Skirtingiems kintamumo apibrėžimams gausime, kad laipsnis, duodantis stipriausią autokoreliaciją svyruoja tarp 1 ir 1,5 skirtingiems kintamumo apibrėžimams. / The most popular proxy variables, used to describe the financial volatility, are squared and absolute returns. These two proxy variables are widely discussed in recent studies. In this paper we proposed the extension of existing studies analysing absolute returns in some positive degree as volatility proxy variable. Some statistical properties of this new proxy variable were investigated using four main discrete volatility models as a basis for our investigation: Generalized ARCH, Stochastic Volatility, Exponential GARCH and Asymmmetric Power ARCH. We applied these definitions to daily data of S&P 500 stock market closing prices ranging from 1928.01.01 till 2007.12.31. In order to estimate the best degree, the modeled volatility was compared with the volatility proxy variable. We used our volatility proxy as volatility estimate to find degree, which minimizes mean squared error. We have shown that the best degree for volatility proxy variable is ranging from 2 to 3. The second method we have used was analysis of the autocorrelation function. We obtained that degree ranges from 1 to 1.5.
| Identifer | oai:union.ndltd.org:LABT_ETD/oai:elaba.lt:LT-eLABa-0001:E.02~2008~D_20090908_201757-14532 |
| Date | 08 September 2009 |
| Creators | Juozapėnaitė, Vaida |
| Contributors | Leipus, Remigijus, Vilnius University |
| Publisher | Lithuanian Academic Libraries Network (LABT), Vilnius University |
| Source Sets | Lithuanian ETD submission system |
| Language | Lithuanian |
| Detected Language | Unknown |
| Type | Master thesis |
| Format | application/pdf |
| Source | http://vddb.library.lt/obj/LT-eLABa-0001:E.02~2008~D_20090908_201757-14532 |
| Rights | Unrestricted |
Page generated in 0.0027 seconds