新闻对预测重大损失重要吗？

2022-5-7 02:12:00

新闻对预测重大损失重要吗？M.Bernardia，L.Cataniab，L.Petrella，*SapienzaRome大学经济与金融研究所经济、领土与金融方法与模型研究所罗马大学Tor Vergata分校摘要本文利用高频数据研究新闻对预测极端金融回报的影响。我们考虑了几种不同的模型规格，它们分别针对基础随机过程和创新过程的动态特性。由于新闻本质上是定性指标，因此它们首先被转化为定量指标，随后作为条件波动率动力学的外生回归因子被引入。从历史市场新闻反应和判别分析定义的三个单词列表出发，构建了三个基本情绪指数。通过几项统计测试和Hanse net al.（2011）的模型置信集程序，评估模型在不同置信水平下预测斯托克欧洲pe 600行业样本价值外风险的预测准确性。由于Hansen的程序通常提供一组具有相同VaR预测能力的模式ls，因此我们提出了一种新的预测组合技术，该技术可根据最佳最终集对模型获得的VaR预测进行动态加权。我们的研究结果证实，包含e-XoGene信息以及正确指定回报的条件分布显著减少了实际与预期的违规数量，尤其是在更高的信任水平下。关键词：GARCH模型、极端损失、情绪分析、模型信心集、e cast组合的风险价值。1.

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

2022-5-7 02:12:03

导言新闻与市场波动之间的相互作用在风险管理和资产定价中起着重要作用。事实上，毫无疑问，有关个别机构健康状况以及总体宏观经济状况的信息会影响投资者的决策。根据有效市场假说的理论，新闻的到达和新闻的传播之间可能存在直接关系*通讯作者，罗马萨皮恩扎大学MEMOTEF系，Via delCastro Laurenziano，9，00166罗马，电子邮件：lea。petrella@uniroma1.itPreprint提交至2019年5月7日观察到的股票回报的条件方差。更准确地说，看看Fama（1969）的“有效市场假说”（EMH）的这种半强形式，股票价格会以一种无偏见的方式迅速地适应公开的新闻信息。克拉克（1973）的“混合分布假说”（MDH）也指出了风险和信息之间的直接联系，指出存在一个连续相关的混合变量，衡量信息到达市场的速度，驱动股票收益的波动。对新闻信息可预测性的持久兴趣反映了它的巨大影响。对于从业人员来说，可预测的资产回报会影响投资者的资产配置和对冲决策，以及企业发行证券的时机。对于学者来说，可预测回报的存在对市场效率以及经济中的总波动如何传递到金融市场和从金融市场传递出去都有影响。此外，资产定价理论的最新进展和大量实证文献提供了强有力的证据，证明股票价格的条件方差在一定程度上是可以预测的，可以使用公开的信息。

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

2022-5-7 02:12:06

最近的许多论文都提供了证据，证明可预测性是由商业周期变动和投资者对风险的感知变化引起的，这些变化会随着时间的推移而发生变化，即风险溢价的变化。然而，其他人则提供了证据，证明前dic反映了一个充满过度反应和非理性投资者的无效市场（参见Mitra和Mitra，2010；Kalev等人，2011；Chopra等人，1992；De Bondtand T haler，1985；Lehmann，1990）。一个相关的无压力重要问题尚未得到深入研究，即将ne-ws作为外生回归因子是否有助于预测高频采样的时间序列中经常观察到的极端收益。本文采用这一观点，根据“事实集”分类，对斯托克欧洲600个组成部分的19个行业进行了一项广泛研究，研究了利用高频数据预测极端收益的信息影响。所谓极端财务回报，我们指的是对投资者资产或投资组合的价值产生负面影响的事件，违反了1%置信水平的风险价值（VaR）衡量标准。从风险管理的角度来看，更准确的VaR预测带来了诸多好处，如巴塞尔协议（1996年）指出的更好地预测未来损失和更少的监管要求所需资本。

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

2022-5-7 02:12:10

此外，由于VaR预测通常与波动率预测相联系，因此，它允许更精确的VaR预测也有利于竞争性和资产定价。为了评估新闻信息对预测大回报的条件分布的相关性，我们在几个动态波动率模型的规范中加入了外部协变量，这些模型不同于基础随机过程的动态特性以及创新假设。动态条件波动率模型已成为最流行的风险管理工具之一，用于模拟股票市场的波动性。在我们的实证分析中，我们参考了Engle（1982）提出的一类自回归条件异方差（ARCH）模型。Engle（1982）和Bollerslev（1986）的ARCH型模型提供了一种简单有效的方法，用于实证研究将外源性回归纳入新闻核算的相关性。在处理信息时，首要的挑战是为新闻流程找到合适的代理。新闻固有的定性本质意味着有必要建立一个模型，将信息流转化为定量度量。尽管开创性研究使用卷和引用作为新闻的代理（参见Lamoureux和Lastraps，1990；Ito和Roley，1986），但许多研究者认为，这些代理是有偏见的，不适当的，参见Kalev等人（2011）。更多最近的研究（参见Hafez 2009，该研究引用了RavenPack的技术）使用了一种替代指标，它也解释了一些通常被称为“情绪”指标的好坏衡量。

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

2022-5-7 02:12:13

有关新闻分析技术的全面最新调查，请参见Das（2011）。在本文中，我们使用五个回归系数进行了实证调查：滞后量、与特定公司相关的新闻标题中的字数以及三个基本情绪指标，这三个指标解释了与公司相关的新闻标题中“好”、“坏”和“高”的波动性字数。此外，由于高频数据对于将新闻与极端财务损失联系起来是必要的，我们使用五分钟的数据来构建外源性的财务损失。考虑了几种通过结合条件波动性特征、不同的解释新闻的外生回归系数和不同的误差分布假设而获得的替代模型。然后使用几个标准对竞争模型交付的预测VAR进行回溯测试。我们使用了McAleer和da Veiga（2008）的实际超出预期的超出率、违反retur n的平均值和最大绝对偏差、Christo Offer n（1998）和Kupiec（1995）的条件和无条件覆盖测试，以及Engle和Manganelli（2004）的动态分位数（DQ）测试。正如Chen等人（2012年）所指出的，这些措施不仅仅是评估违规率，还允许风险管理纳入损失程度。尽管这些测试在比较VaR违规方面具有公认的相关性，但它们未能根据VaR的预测准确性区分替代模型。出于模型选择的目的，我们认为Hansen（2003）、Hansen和Lunde（2005）以及Hansen等人（2011）最近开发的模型置信集程序（MCS）适用于必须评估VaR预测绩效的情况。

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

点击查看更多内容…

kedemingshi

2022-5-7 02:12:17

汉森的过程由一系列统计测试组成，这些测试允许构建一组“优越”模型（SSM），其中不拒绝平等预测能力（EPA）的无效假设。由于我们的目标是获得一个SSM，该SSM由统计上等同于预测未来VaR水平的模型组成，因此在整个模型选择过程中，我们建议使用一个明确定制的损失函数，以不对称的方式计算高于和低于预测VaR的penalis e回报。Gonzales等人（2004年）曾将损失函数用于回溯测试。就VaR预测而言，存在多个具有相同预测能力的模型，这就提出了汇集每个模型预测中包含的信息的问题。自从里德（Reid，1968，1969）在预测组合方面的开创性工作以来，人们提出了几种动机来证明这种技术的合理性。例如，Stock和Watson（19 992001，2004）发现，与简单的模型选择技术相比，组合预测通常会产生更好的结果。Hoeting等人（1999年）通过平均不同的模型规格，在贝叶斯框架中对“模型不确定性”进行dea。在决策-理论方法中，ECAST的组合可以被视为一种程序，旨在多样化，然后降低选择单一模型生成预测的风险。Timmermann（2006）和Aiol Fi等人（2011）最近的调查为组合预测提供了进一步的动机。在本文中，我们提出了一个动态过程，该过程结合了由属于上级集的模型传递的VaR预测。正如Gia c ominiand Komunjer（2005）所说，VaR模型的组合是有益的，因为VaR是一个小覆盖分位数模型，它对低于分位数估计的少数观测值敏感。

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

mingdashike22

2022-5-7 02:12:21

更重要的是，结合不同的VaR模型也可以对个别VaR预测进行稳健性分析，因为随着时间的推移，估计的模型参数会特别不稳定。我们建议使用一种新的指数平滑移动平均过程，通过动态加权方案组合VaR预测。我们提出的权重平滑过程考虑了非对称创新分布，也考虑了参数不确定性问题。我们的实证结果证实，在广泛的样本外分析中，信息新闻显著改善了对极端值的预测。此外，我们还表明，将“特别”模型选择程序与n最优动态VaR组合技术相结合，可以提供更好的VaR预测。最后，作为额外考虑，我们发现引入外源回归可以解释高频率金融数据的季节性波动模式，见Gencay等人。(2001).论文的剩余部分组织如下。在第2节中，我们系统地回顾了关于新闻相关性预测财务回报的实证文献。第3节详细介绍了模型规格，第4节介绍了Hansen等人（2011）的模型选择程序。第5节描述了为实现VaR预测而开发的动态VaR组合技术。第6节描述了这些数据，提供了关于外源基因重组子结构的见解，并讨论了主要的实证结果。第7节结束。2.

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

能者818

2022-5-7 02:12:24

文献综述自克拉克（1973）的开创性工作（通常不被称为混合分布假说（MDH））以来，金融计量经济学文献中出现了大量相关的研究工作，重点关注股票波动性与新闻之间的关系，其中一个主要问题是为新闻到达过程选择适当的代理。对这个相关问题的第一个自然答案是使用卷和引用（例如，见伊藤和罗利1986年和拉莫鲁克斯和拉斯特罗斯1990年）。Kalev等人（20 04）最近的工作认为，使用交易量作为信息的代理，有三个主要因素需要考虑：交易量的内在性质，不同类型的交易者有不同的新闻解读（例如，噪音交易者和流动性交易者），以及交易量不能考虑私有信息的事实。20世纪90年代初，另一股关注焦点转向了新闻分类。例如，Jones等人（1998年）在EGARCH模式下使用了定时与非定时新闻，发现信号结果模拟了美元/澳元汇率的前两个时刻。许多其他研究转而使用特定的虚拟变量对条件波动率方程中的新闻影响进行建模：Blasco等人（2002年）在GJR–GARCH规范中使用了四个虚拟变量（分别用于好-坏消息和高-低相关消息的组合），表明坏消息可用于捕捉负面冲击的不对称波动反应。Kim（1998）的相关工作在EGARCH模型中使用了类似的代理，用于美元/澳元汇率，发现了重要的结果，即使是条件平均值。在多变量框架中，Fornari等人（2002年）将报纸标题作为带有GARCH创新的马尔可夫切换向量自回归模型的前因变量。

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

kedemingshi

2022-5-7 02:12:27

由于技术创新和计算机能力的提高，在上一次的设计中，专注于使用公开信息的作品数量迅速增加。DeGennaro和Shrieves（1997年）以及Ederington和Lee（1993年）使用宏观经济新闻的数量来解释外汇条件波动，近年来这种技术被称为天真分类（参见alsoDas（？），对于新闻分析技术的广泛调查）。更复杂的新闻分析技术的使用，带来了从文本到语境的巨大挑战。换句话说，这意味着很难量化新标题背后的信息。常用的方法是创建一个指数来说明一些新闻指标。这个指数可以是一个简单的新闻相关词汇计数器，也可以是一个更复杂的情绪指数（参见Hafez 2009，它指的是RavenPack的技术）。Kalev和Duong（2011）以及Kalev et al.（2004）使用一个EGARCH模型，其中新闻数量输入条件波动率方程作为e xogeneous回归，以解释标准普尔/ASX 200指数的日内波动模式。他们发现信息到达率对波动性有积极影响。Mitchell和Harold（1994年）使用每周的时间框架提供了类似的结果，而Berry和Howe（1994年）没有发现EUTER新闻服务发布的新闻数量与标准普尔500指数波动性之间存在任何显著关系。在本文中，我们从衡量极端财务损失的不同角度探讨了量化新闻信息影响的问题。为此，我们采用了反词方法，即。

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

2022-5-7 02:12:31

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。

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

mingdashike22

2022-5-7 02:12:34

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。

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

2022-5-7 02:12:37

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。

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

2022-5-7 02:12:41

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.

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

2022-5-7 02:12:45

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。

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

2022-5-7 02:12:48

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。

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

2022-5-7 02:12:51

（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。

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

2022-5-7 02:12:54

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。

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

2022-5-7 02:12:57

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。

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

2022-5-7 02:12:59

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。

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

2022-5-7 02:13:02

关于两分钟时间跨度的选择，我们观察到，与一分钟、三分钟和四分钟的系列相比，两分钟的回程系列具有更突出的尖峰。正式地说，我们将相应资产的标题盖章前两分钟日志RTRETURN与每个样本标题lj相关联，所有j=1，2，nh，其中nh是样本中标题的数量。然后，对于给定的保留级别，我们将两个类S={“正”、“负”、“中和”和Q={“高”、“低”}关联到每个标题Ljj，对于j=1，2，nh，根据以下规则：-lj，S=“负”，如果rj∈ (-∞, “\'rneg]，“阳性”，如果是rj∈ []RPO，∞), “中性”，如果rj∈ （\'rneg，\'RPO），-lj，Q=“高”，如果rj∈ [“嗯，∞) 和“低”，如果rj∈ [0，\'rhigh）。阈值水平\'RPO，\'rnegand\'rhigh被定义为无条件回报分布的分位数，即P（rt<\'rneg）=0.025，P（rt>\'RPO）=0.025，和Prt</rhigh= 0.025.regr essor building过程的第二部分是对FactSet在样本期收集的51266条新闻标题中的每个单词进行分类。对于健康分类，我们首先寻找“积极”和“消极”波动性词，然后搜索“高”和“低”波动性词。通过将每个词应用到它所属的标题中最常见的类别，对其进行了初步分类。通常情况下，我们在每个标题lj中给每个单词w赋值，j=1，2，与每个单词ω出现频率最高的标题相关的S和Q的情态。根据Das（？），为了只保留有意义的单词，随后使用Fishe r判别统计量对每个单词进行搜索。

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

2022-5-7 02:13:05

假设我是两个类别中的一个类别，S={“正”、“负”、“中性”}，Q={“高”、“低”}，le tuibe是单词w出现在类别i的一条主线上的平均次数，mi，jbe是单词w出现在类别i的一条直线上的次数，那么Fisher判别统计量定义为asF（w）=（1/3）Pi6=k（ui）- uk）PiPj，mi- uj）/ （Pini），（14）表示之前分类的任何单词w。Fisher判别统计量为每个单词提供了一个分数，该分数说明了分类的程度，我们将单词保持在可接受的F（w）水平。在本程序结束时，我们将259个单词归类为“好”，239个单词归类为“坏”，366个单词归类为“高”。我们注意到“好”或“坏”的词也可以是“高”，但“高”的词并不一定是“好”或“坏”的。基于前面的单词分类，我们构建了以下三个回归系数：“POS”、“NEG”和“HIGH”，衡量市场情绪的变化。三个回归变量s中的每一个都代表出现在区间（t）中的每个类别的字数- 1，t]。因此，将这些回归因素纳入条件方差动态中，可以根据来自新闻的新情绪信息进行改变。我们还考虑了另外两个协变量：“LAGVOL”代表滞后的卷，而“NUMB”代表间隔内的总字数（t- 1，t]。“POS”、“NEG”和“HIGH”代表市场情绪，“NUMB”和“LAGVOL”代表信息量。Theregres或“NUMB”只是将单词总数作为信息到达的代理。应该注意的是，它与回归系数“Pos”、“NEG”和“HIGH”的总和并不一致，因为即使没有分类的单词也会被考虑在单词总数中。

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

2022-5-7 02:13:09

回归者“麻木”也解释了特定机构或部门的新闻活动。事实上，它没有提供任何关于新闻性质的信息，而是将市场利益考虑到特定的机构或部门。Theregres sor“LAGVOL”只是timet的累计销量，并说明了市场活跃性。尤其是，它代表了投资者对特定机构或部门的兴趣。K alev和Duong（2004）中也使用了滞后量。为了将这些回归用于条件波动动力学，回归者的时间戳必须与5分钟的对数收益序列一致。因此，在时间t处，每一个回归器“POS”、“NEG”、“HIGH”、“NUMB”和“LAGVOL”都应该考虑区间（t）中的信息到达- 1，t]生成日志–返回时间t，rt。对于所有考虑的分布误差和波动性规格，我们建立了MIV（信息量）模型，其中包括变量“NUMB”和“LAGVOL”，以及MSE（情绪）模型，其中包括“POS”、“NEG”和“HIGH”协变量。MIVS规范反映了信息流的数量，可被视为衡量投资者对该机构或行业的兴趣。尽管如此，米维斯还是一个很好的候选人，可以改善对大型市场走势的预测。MSE规范是对情绪的衡量，有助于反映不同类型新闻的不同市场反应。这两个规范与未考虑任何外部信息的Naiver模型MNES进行了比较。表B.3和B.4报告了所有已构建回归方程的描述性统计数据。回归器序列中的高峰度（例如，见表B.3中的回归器“NUMB”）可能与金融时间序列通常报告的高峰度有关。

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

mingdashike22

2022-5-7 02:13:11

事实上，根据Clark（1973）的MDH假设，收益的方差是信息流动率的函数。更有趣的是，reg ressor s表现出更高水平的自相关性，尤其是在滞后95时，它与一个交易日以5分钟的频率重合。这一现象可能是由于通宵新闻的op e n——市场插补造成的。事实上，在高频率的时间范围内，新闻过程与波动过程具有非常相似的季节性模式：有关更全面的讨论，请参见Gencay等人（2001）和Kalev e.al（2011）。6.3. 实证结果在本节中，我们将讨论通过将模型与我们的数据集（包括斯托克欧洲600指数的19个行业）进行匹配而获得的结果。对于每个部门，将不同的波动动力学、误差项分布和第6.2节中讨论的协变量组合在一起，对属于初始集的模型进行比较。比较VaR预测的一个简单方法是实际值与预期值（A/E），定义为在特定时间范围内实现的VaR超标与其“先验”预期值之间的比率。表B.5报告了两个风险值置信水平τ=1%和τ=0.1%下所有比较模型的A/E比率。表B.5显示，τ=0.1%的高A/E水平通常与高斯规格有关，反映出其不足以捕捉大的价格波动。反过来，对于学生-t误差分布，我们观察到A/E水平接近1。此外，对于分位数密集度τ=（1%，0.1%）和信息量（MIV）或市场情绪（MSE）模型，A/E比率的报告值更接近1。

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

2022-5-7 02:13:15

更深入的研究表明，对于τ=1%的情况，MN模型仅在3种情况下表现优异，而在12种情况下，考虑信息量提高了VaR的预测能力。此外，如表B.5所述，即使对于τ=0.1%，原始模型MNoutp也只在两种情况下表现出包括去变量的特性，而MIVand MSE报告的A/Elevels是19的15倍。违规收益率（AD）的大小也很重要，因为它提供了VaR违规情况下预期损失的度量。表B.6报告了McAleer和da Ve iga（2008）考虑的违反退货的最大广告。我们可以看到，对于所有考虑的行业，MIVand MSE规格的最大AD值低于原始规格。这意味着，在高密度（τ=1%）和极端密度（τ=0.1%）情况下，考虑信息有助于减少最大AD损失。更有趣的是，要注意这个结果如何独立于波动性动力学或误差分布规范的选择。根据另一份报告的分析，我们发现，根据AIC和BIC信息标准（这些结果可根据要求提供），包含信息流也可以提高信息的总体质量。对于GARCH–动力学和误差分布的六种组合中的每一种，Mivandmes规范报告的AIC和BIC水平较低。

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

2022-5-7 02:13:18

此外，模型MIVand MSE的标准化绝对残差的ACF表明，与模型MN相比，每日季节模式显著减少。再次说明信息流，解释通常影响高频金融时间序列的波动模式。表B.7、B.8和B.9报告了Kupiec（1995年）的无条件覆盖率（UC）测试、Christo Offerse n（1998年）的条件覆盖率（CC）测试以及Engle和Mangane lli（2004年）的动态分位数（DQ）测试，其置信水平为5%。在置信水平τ=1%时，新闻信息的包含不会报告任何判别结果。相反，表B.7、B.8和B.9中报告的极端VaR置信水平τ=0.1%的结果证实，选择误差项的重尾分布具有很强的判别性。此外，对于τ=0.1%的情况，对于原始规范MN，两种检验的无效假设被拒绝的频率更高。从未报告的样本参数估计分析（可根据要求提供给作者）中，我们发现，对于某些行业，与条件平均动态相关的参数似乎没有统计学意义。这本质上意味着，对于这些序列，高频数据经常显示的众所周知的负序列自相关系数不存在。正如Gencay等人（2001）所述，这种现象可能与构造高频序列所采用的程序有关。

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

2022-5-7 02:13:21

在成瘾方面，我们的结果表明，一些与外源回归相关的参数似乎在统计上并不显著，这并不代表本研究的问题，因为我们的重点是极端损失预测，而不是描述整个回报行为。关于误差分布的规格，我们还通过估计De Luca和Loper Fi do（20 04）引入的歪斜GARCH规格来测试不对称性的存在。特别是，我们考虑了Fernandez和Steel（1998）的下降机制，该机制保证了似然函数的规律性。对于所有考虑的扇区，估计的s hap e参数都等于1，表明倾斜分布崩溃为对称分布。在下一节中，我们将报告模型置信集程序的结果。6.4. MCS程序的应用在本节中，我们讨论了应用Hansen（20 03）和Hansen等人（2011）的MCS程序获得的结果。在表B.1中，我们报告了在MC S程序结束时，每个部门和每个不同的专业属于SM的模型数量，即^M*1.-α. 很明显，一个小的最终模型集意味着该程序具有高度的区分性，即性能差的模型被消除。相反，一组大的最终模式ls意味着在比较模型中没有不同性能的统计差异。如表B.1所示，MCS程序报告了大多数行业以及两个风险密集度τ=（1%，0.1%）的高度判别结果。比较两个置信水平的结果，我们发现，对于τ=0.1%，最终集仅包含7个发生率，而对于τ=1%，则包含16个发生率。

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

kedemingshi

2022-5-7 02:13:24

这意味着，使用MCS程序，充分预测极端风险值水平的模型集（如0.1%的联合水平所暗示的模型）低于预测更高风险值水平的模型集。这一结果与只有少数模式能够预测重大损失的想法一致。此外，从表B.1中可以清楚地看出，在执行MCS程序时，最常出现在最终集合^M中的模型*1.-α是MIV。这意味着在波动性动力学中添加信息量代理，可以提高模型预测重大损失的能力。表B.10报告了每个协变量规格的实际超预期（A/E）超越率和在属于最佳最终集的模型上平均的最大违反广告回报率*1.-α由MCS程序提供。我们观察到，在MCS程序不区分模型的情况下，平均A/E比率报告了不确定的结果，而平均最大违反广告的损失表明，对于大多数考虑的行业，sp规定是首选的。最后，我们观察到，对于所有考虑的行业，在ADmetric模型下，特定的MIVcorres池始终是表现最佳的模型。6.5. VaR组合结果第5节介绍的VaR组合技术的主要目的是提供一种实用工具，将不同模型在给定分位数水平τ下的VaR预测进行组合。MCS程序确保了一组模型的可用性，该模型在所选损失函数下，具有在所需分位数水平预测VaR的相同能力。这些模型提供的VaR预测随后可以用作前面详述的VaR组合技术的主要组成部分。为了测试使用拟议技术和MCS流程的益处，我们报告了使用两种不同VaR预测组合的简单比较。

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

2022-5-7 02:13:27

第一个VaR预测只是对MCSVaRτ、avgt+1 | t=m模型中的单个VaR进行平均*M*Xj=1VaRτj，t+1 | t，（15）对于t=1，2，T第二个模型VaR预测是通过应用等式（11）和（12）中提出的VaR组合技术得出的。表B.1 1报告了两种eCast组合方法的平均值和最大AD，以及两种风险值水平τ=（1%，0.1%）。检查表B。11可以看到使用MCS程序和建议的Va R c组合技术而不是简单地平均可用模型的好处。对于所有考虑的行业和信心水平，动态VaR组合方法VaRτ，dynt+1 | t报告的最大ADV值几乎比简单VaR平均值VaRτ，dynt+1 | t报告的值低50%。这表明建议的VaR组合技术有助于减少违反VaR的回报的巨大和极端绝对偏差。从表B.11的第6列至第9列可以看出，提议的技术也有助于降低VaR违规回报的平均AD，从风险管理的角度来看，这一点尤其相关，因为降低平均AD对应于发生较低的预期服务水平。在图C.1和图C.2中，我们报告了单个模型VaRτj，t+1 | t，对于j=1，2，M*, 通过静态平均VaRτ、avgt+1 |和动态VaRτ、di nt+1 |序列获得的VaRforecast。如前所述，VaR组合技术提供了可用VaR序列的动态线性凸组合；图C.1和C.2显示了这一点，其中重新报告了几个VaR预测序列，以及VaRτ、avgt+1|t（灰色虚线）和VaRτ、dynt+1|t（红色虚线）。

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