ПРОГНОЗИРОВАНИЕ КРЕДИТНОГО РИСКА КОМПАНИЙ С УЧЁТОМ ИЗМЕНЯЮЩЕЙСЯ ВО ВРЕМЕНИ ВОЛАТИЛЬНОСТИ
Финансовые временные ряды часто характеризуются изменяющейся во времени волатильностью, которая влияет на статистические свойства остатков и тем самым снижает эффективность эконометрических тестов и моделей прогнозирования. Данное исследование сосредоточено на оценке премий за риск по кредитным производным инструментам для облигаций, а именно по кредитно-дефолтным свопам (CDS). Спрэд по CDS представляет собой произведение вероятности дефолта на уровень потерь при дефолте (loss given default), что позволяет оценивать кредитный риск компании.
На протяжении многих лет исследований были разработаны различные методы для учета изменяющийся во времени волатильности. Пандемия COVID-19 вызвала кризис неэкономического характера. Возникают вопросы: Каким образом учёт изменчивой волатильности влияет на оценки кредитного риска фирмы? Какие модели лучше всего способный учитывать изменяющуюся во времени волатильность спрэдов по CDS в условиях столь уникального кризиса? А также каковы различия от обычных условий?
Данные включают ежедневные спрэды CDS и показатели рыночной капитализации европейских компаний с 2010 по 2022 год (учитываются только активно торгуемые контракты по CDS), а также рыночные экзогенные переменные, включая макроэкономические и глобальные факторы.
Результаты показывают, что учёт проблемы изменяющейся во времени волатильности улучшает модели прогнозирования. Включение ARCH-M эффекта незначимо влияет на оценки. Распределение стандартных остатков в каждой модели семейства GARCH ближе к распределению Стьюдента по сравнению с остатками моделей, распределённых нормально. Переход к распределениям, учитывающим «тяжёлые» хвосты приводит к повышению качеств прогноза и результатам эконометрических тестов, применяемых к спрэдам CDS.
CGARHC с распределением Стьюдента обеспечивает наиболее точные прогнозы данных в период кризиса COVID-19 и до него, переход к PGARCH с тем же распределением остатков также показывает хорошие результаты прогноза.
Введение
2 Обзор литературы
2.1 Основные подходы к моделированию CDS-спрэдов
2.2 Марковские модели переключения режимов
2.3 Моделирование изменяющейся во времени волатильности
3 Данные и Методология
3.1 Описание данных
3.1.1 Описание переменной интереса – CDS-спрэды европейских компаний
3.1.2 Описание экзогенных переменных
3.2 Методология
3.2.1 Дизайн исследования
3.2.2 Выбор регрессоров
3.2.3 Определение выборок
3.2.4 Предварительные статистические тесты
3.2.5 Эконометрические модели
3.2.6 Методы и метрики анализа результатов
4 Результаты
4.1 Метрики оценки качества моделей
4.2 Метрики оценки прогноза моделей
4.2.1 Общие результаты
4.2.2 Частотность превосходств Мартингала
4.2.3 Средние оценки прогнозов, превзошедших Мартингала
4.3 Выводы
5 Дискуссия
6 Заключение
Список Литературы
Приложения
- Ahmed, M. S., & Alhadab, M. (2020). Momentum, asymmetric volatility and idiosyncratic risk-momentum relation: Does technology-sector matter? The Quarterly Review of Economics and Finance, 78, 355-371.
- Ahmed, M. S., El-Masry, A. A., & Al-Maghyereh, A. I. (2024). Cryptocurrency volatility: A review, synthesis, and research agenda. Research in International Business and Finance, 71.
- Alexander, C., & Kaeck, A. (2006). A Markov Switching Model of iTraxx
- Europe Indices. SSRN Electronic Journal.
- Alexander, C., & Kaeck, A. (2008). Regime dependent determinants of credit default swap spreads. Journal of Banking & Finance, 32, 1008-1021.
- Annaert, J., De Ceuster, M., Roy, V. P., & Vespro, C. (2000). What determines Euro area bank CDS spreads? Journal of International Money, 444-461.
- Ardia, D., Bluteau, K., Boudt, K., & Catania, L. (2018). Forecasting risk with Markov-switching GARCH models: Alarge-scale performance study. International Journal of Forecasting,34, 733-747.
- ...
