[論文レビュー] Are news important to predict large losses?

Mauro Bernardi, Leopoldo Catania+1 more|arXiv (Cornell University)|Oct 25, 2014

Financial Risk and Volatility Modeling参考文献 43被引用数 4

ひとこと要約

本研究では、19の STOXX Europe 600 セクターにおける高頻度データを用いて、ニュースセンチメントを定量的指標に変換することで、極端な金融損失の予測が改善されるかを調査している。GARCHモデルにセンチメントベースの回帰変数を統合し、モデル信頼区間集合（MCS）からの動的モデル結合を用いることで、研究ではニュースが価値のリスク（VaR）予測精度を著しく向上させることを示している。特に高い信頼水準において顕著であり、予測違反率を理論的期待値に近づけている。

ABSTRACT

In this paper we investigate the impact of news to predict extreme financial returns using high frequency data. We consider several model specifications differing for the dynamic property of the underlying stochastic process as well as for the innovation process. Since news are essentially qualitative measures, they are firstly transformed into quantitative measures which are subsequently introduced as exogenous regressors into the conditional volatility dynamics. Three basic sentiment indexes are constructed starting from three list of words defined by historical market news response and by a discriminant analysis. Models are evaluated in terms of their predictive accuracy to forecast out-of-sample Value-at-Risk of the STOXX Europe 600 sectors at different confidence levels using several statistic tests and the Model Confidence Set procedure of Hansen et al. (2011). Since the Hansen's procedure usually delivers a set of models having the same VaR predictive ability, we propose a new forecasting combination technique that dynamically weights the VaR predictions obtained by the models belonging to the optimal final set. Our results confirms that the inclusion of exogenous information as well as the right specification of the returns' conditional distribution significantly decrease the number of actual versus expected VaR violations towards one, as this is especially true for higher confidence levels.

研究の動機と目的

• 高頻度データにおける極端な金融損失の予測精度が、ニュースセンチメントによって改善されるかどうかを、アウトオブサンプルで評価すること。
• 具体的には、感情指標を含む外生的ニュース変数が、条件付きボラティリティおよびVaR予測精度に与える影響を評価すること。
• 最適なモデル信頼区間集合（MCS）に属するモデルのVaR予測を重み付けする動的モデル結合技術を開発・適用すること。
• 異なる動的特性と誤差項分布を有するGARCHモデル仕様が、極端なリターンを捉える能力を、ニュース回帰変数を含めた場合にどのように変化するかをテストすること。
• ニュースベースの回帰変数が、1%および0.1%の信頼水準において、実際の違反率と期待される違反率の乖離をどれだけ低減できるかを検証すること。

提案手法

• 歴史的市場反応と判別分析に基づく語彙リストを用いて、定性的なニュースを定量的センチメント指標に変換すること。
• 企業固有のニュース見出しに基づき、「良い」、「悪い」、「高ボラティリティ」の3つのセンチメントインデックスを構築すること。
• ラグ付きニュース件数およびセンチメント指標をGARCH型モデルの外生的回帰変数として組み込み、条件付きボラティリティをモデル化すること。
• ニュース到着とリターンショックのタイムリーな整合性を確保するため、5分間隔の高頻度データを用いること。
• Hansenら（2011）が提唱したモデル信頼区間集合（MCS）手順を用い、VaR予測性能が統計的に同等のモデルを選択すること。
• 最終的なMCSセットに属するモデルのVaR予測に時変重みを割り当てることで、全体の予測精度を向上させる、新しい動的予測結合手法を提案すること。

実験結果

リサーチクエスチョン

• RQ1 センチメントベースのニュース変数を含めることで、極端な金融損失のアウトオブサンプル予測精度が向上するか？
• RQ2 異なる動的特性と誤差項分布を有するGARCHモデル仕様において、ニュース回帰変数を含めた場合、それぞれの性能はどのようになるか？
• RQ3 MCSから得たモデルの動的結合は、静的平均化と比較して、VaR予測性能をどの程度向上させるか？
• RQ4 VaR予測精度の向上は、特に1%および0.1%の高い信頼水準において顕著に現れるか？
• RQ5 ニュース見出しから導出されたセンチメント指標は、予期せぬ極端な市場動向に関する情報を効果的に捉えられるか？

主な発見

• 外生的ニュース情報の組み込みにより、実際の違反数と期待される違反数の乖離が顕著に減少し、特に1%および0.1%の信頼水準において理論的期待値に近づいた。
• 最適MCSセットからのモデルの動的結合は、静的平均化を上回る性能を示し、1%信頼水準では平均AD（絶対偏差）が0.145、0.1%では0.249（セクター平均）を記錟能した。
• テクノロジー・サービスセクターでは、動的結合が1%で最大AD 0.201、0.1%で0.366を記録し、ストレス状況下でも優れた性能を示した。
• MCS内で最も高い予測精度を示したモデルは、通信セクターにおいて1%で超過率0.511、0.1%で0.877を記録し、校正性能が向上した。
• 動的結合手法により、全セクターの平均ADが1%で0.145、0.1%で0.249にまで低下し、個々のモデルや静的平均化よりも一貫した改善が確認された。
• 本研究は、条件付きリターン分布の適切な指定とニュース回帰変数の組み込みが、高ストレス状況においてより信頼性の高いVaR予測を実現することを確認した。