[论文解读] 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 4

一句话总结

本文研究了将新闻情绪转化为定量指标后，是否能通过19个STOXX欧洲600行业板块的高频数据提升对极端金融损失的预测能力。通过将基于情绪的回归变量整合进GARCH模型，并采用模型置信集（MCS）的动态组合方法，研究发现新闻情绪显著提升了风险价值（VaR）预测的准确性，尤其是在较高置信水平下，使违约比率更接近理论预期值。

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.

研究动机与目标

• 评估新闻情绪是否能提升高频数据下极端金融损失的样本外预测能力。
• 评估外生新闻变量——特别是情绪指标——对条件波动率和VaR预测准确性的影响。
• 开发并应用一种动态模型组合技术，对最优模型置信集（MCS）中模型的VaR预测结果进行加权。
• 测试不同GARCH模型设定在捕捉极端收益时的表现，其动态特性与创新分布各不相同。
• 检验基于新闻的回归变量是否能减少实际违约率与预期VaR违约率之间的偏差，特别是在1%和0.1%置信水平下。

提出的方法

• 利用基于历史市场反应和判别分析得出的词表，将定性新闻转化为定量情绪指标。
• 基于公司特定新闻标题构建三个情绪指数：'正面'、'负面'和'高波动性'情绪。
• 将滞后新闻量和情绪指标作为外生回归变量引入GARCH类模型，以建模条件波动率。
• 使用五分钟高频数据，确保新闻到达与收益冲击之间的时间对齐。
• 应用Hansen等人（2011）提出的模型置信集（MCS）程序，筛选出预测性能统计上等价的模型用于VaR预测。
• 提出一种新颖的动态预测组合方法，为最终MCS集合中模型的VaR预测结果分配时变权重，从而提升整体预测准确性。

实验结果

研究问题

• RQ1 在样本外预测中，是否包含基于情绪的新闻变量能提升极端金融损失的VaR预测准确性？
• RQ2 当引入新闻回归变量时，具有不同动态特性与创新分布的GARCH模型设定表现如何？
• RQ3 与静态平均法相比，MCS中模型的动态组合在多大程度上提升了VaR预测表现？
• RQ4 VaR预测准确性的提升是否在更高置信水平（如1%和0.1%）下更为显著？
• RQ5 从新闻标题中提取的情绪指标是否能有效捕捉即将发生的极端市场波动信息？

主要发现

• 引入外生新闻信息后，实际违约次数与预期违约次数之间的偏差显著减少，尤其在1%和0.1%置信水平下更接近理论预期。
• MCS最优集合中模型的动态组合优于静态平均法，其在1%置信水平下的平均绝对偏差（AD）为0.145，0.1%置信水平下为0.249，覆盖所有行业板块。
• 在科技服务行业板块，动态组合方法在1%置信水平下实现最大AD为0.201，0.1%置信水平下为0.366，表明在压力情境下表现强劲。
• 在MCS中预测准确性最高的模型，其在通信行业板块的超额率在1%置信水平下为0.511，0.1%置信水平下为0.877，显示出更优的校准能力。
• 动态组合方法将所有行业板块的平均AD降低至1%置信水平下的0.145和0.1%置信水平下的0.249，表明其在整体上优于单个模型和静态平均法。
• 本研究证实，合理设定条件收益分布并引入新闻回归变量，可共同提升VaR预测的可靠性，尤其在高压力情景下。