Evaluating GARCH models in Nordic markets : Model fit, forecasting accuracy, and pandemic effects
Finnilä, Teemu (2024-01-27)
Evaluating GARCH models in Nordic markets : Model fit, forecasting accuracy, and pandemic effects
(27.01.2024)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe202402197839
https://urn.fi/URN:NBN:fi-fe202402197839
Tiivistelmä
Volatility is used to measure the amount of risk associated with different financial instruments. Forecasting volatility has a critical role in finance research and many practical applications, for example asset allocation and pricing derivatives. The central role of volatility forecasts in the finance field has resulted in researchers developing various models for forecasting future volatility. The GARCH model and its various extensions are some of the most favoured and extensively applied models for forecasting volatility. These autoregressive conditional heteroscedasticity models are capable of capturing the autocorrelation of the error terms of the variance and heteroscedasticity in the volatility process, to predict future volatility. Additionally, the more sophisticated extensions to the standard GARCH can also capture additional properties of asset returns, such as the leverage effect.
This thesis is carried out to investigate the fit and forecasting accuracy of different GARCH model specifications in the Nordic stock markets during normal market volatility and increased market volatility caused by the COVID-19 pandemic. This thesis uses stock market indices from four Nordic countries, namely Finland, Sweden, Denmark, and Norway, to study how the selected GARCH models perform in the different Nordic countries.
The studied GARCH models include GARCH, EGARCH, GJR-GARCH, TGARCH, and NGARCH models. The selected specifications are fitted to the in-sample data from January 4, 2010, to December 29, 2017, to assess the models’ ability to model the data. In addition, the GARCH specifications are utilized to produce predictions of future volatility for the entire out- of-sample time period, to examine the forecasting ability of the models, and for the COVID-19 subsample from February 3, 2020, to February 26, 2021, to investigate how accurate the models can forecast volatility during the COVID-19 pandemic and market crisis.
The results of the estimations show that the asymmetric EGARCH, GJR-GARCH, and TGARCH specifications have a superior fit compared to the symmetric GARCH and NGARCH models. Similar evidence is found in the out-of-sample forecasting as it is demonstrated that the EGARCH and TGARCH models tend to provide the most accurate forecasts, while the GARCH and NGARCH models are shown to perform the worst. The empirical results of the thesis show evidence of similar GARCH model performance rankings across the Nordic stock markets. The superior performance of the EGARCH and TGARCH specifications regarding the goodness-of- fit and predictive accuracy indicates that capturing the leverage effect can enhance both modelling and forecasting performance.
The GARCH models produce less accurate volatility forecasts during the COVID-19 subsample across all model specifications. However, the model rankings are not notably affected by the crisis and increased market volatility, as the asymmetric EGARCH and TGARCH models remain superior. Volatiliteettiä käytetään sijoituskohteiden riskin mittaamiseen. Volatiliteetin ennustamisella on tärkeä rooli rahoituksen tutkimuksessa ja käytännön tehtävissä kuten riskienhallinnassa, optioiden hinnoittelussa ja varojen allokaatiossa. Volatiliteetin ennustamisen tärkeys on johtanut erilaisten volatiliteetin ennustusmallien kehittämiseen. Suosituimpiin ja laajimmin käytettyihin volatiliteetin ennustusmalleihin lukeutuu GARCH-malli ja sen eri laajennukset. Nämä mallit pystyvät ottamaan huomioon sijoituskohteiden tuottojen autoregressiiviset ominaisuudet ja volatiliteetin heteroskedastisuuden ennustaakseen tulevaa volatiliteettia. Lisäksi on kehitetty monimutkaisempia GARCH-malleja, jotka mahdollistavat esimerkiksi tuottojen epäsymmetrisen vaikutuksen volatiliteettiin.
Tämän tutkielman tarkoituksena on tutkia erilaisten GARCH-mallien sopivuutta ja ennustetarkkuutta Pohjoismaisilla osakemarkkinoilla normaaleina aikoina ja kohonneen markkinavolatiliteetin aikana, joka aiheutui COVID-19 pandemiasta. Tässä tutkielmassa käytetään datana Suomen, Ruotsin, Tanskan ja Norjan osakeindeksejä, jotta voidaan tutkia GARCH-mallien suorituskykyä Pohjoismaissa.
Tutkittuihin GARCH-malleihin kuuluu GARCH-, EGARCH-, GJR-GARCH-, TGARCH- ja NGARCH-mallit. Valitut mallit sovitetaan niin sanottuun ”in-sample” dataan, joka sisältää datan ajalta 4.1.2010–29.12.2017, jotta voidaan arvioida mallien sopivuutta dataan. Lisäksi GARCH- malleja käytetään tuottamaan volatiliteettiennusteita ajalle 2.1.2018–30.12.2022 mallien ennustuskyvyn arvioimiseksi, ja ajalle 3.2.2020–26.2.2021, jotta voidaan arvioida mallien kykyä ennustaa volatiliteettia COVID-19-pandemian ja markkinakriisin aikana.
Tulokset osoittavat, että asymmetriset EGARCH-, GJR-GARCH- ja TGARCH-mallit sopivat dataan paremmin verrattuna symmetrisiin GARCH- ja NGARCH-malleihin. EGARCH- ja TGARCH-mallit antavat myös tarkimpia ennusteita, kun taas GARCH- ja NGARCH-mallit suoriutuvat ennustamisesta huonoiten. Tutkielman empiiriset tulokset osoittavat, että GARCH- mallien paremmuusjärjestys on samankaltainen eri Pohjoismaiden osakemarkkinoilla. EGARCH- ja TGARCH-mallien ylivoimainen suorituskyky sekä mallien sopivuudessa, että ennusteiden tekemisessä osoittaa, että tuottojen epäsymmetristen vaikutusten huomioon ottaminen parantaa sekä mallin sopivuutta, että ennustustarkkuutta.
Kaikki GARCH-mallit tuottavat huonompia volatiliteettiennusteita COVID-19 pandemian aikana. Mallien paremmuusjärjestys ei kuitenkaan merkittävästi muutu kriisin ja lisääntyneen markkinavolatiliteetin aikana.
This thesis is carried out to investigate the fit and forecasting accuracy of different GARCH model specifications in the Nordic stock markets during normal market volatility and increased market volatility caused by the COVID-19 pandemic. This thesis uses stock market indices from four Nordic countries, namely Finland, Sweden, Denmark, and Norway, to study how the selected GARCH models perform in the different Nordic countries.
The studied GARCH models include GARCH, EGARCH, GJR-GARCH, TGARCH, and NGARCH models. The selected specifications are fitted to the in-sample data from January 4, 2010, to December 29, 2017, to assess the models’ ability to model the data. In addition, the GARCH specifications are utilized to produce predictions of future volatility for the entire out- of-sample time period, to examine the forecasting ability of the models, and for the COVID-19 subsample from February 3, 2020, to February 26, 2021, to investigate how accurate the models can forecast volatility during the COVID-19 pandemic and market crisis.
The results of the estimations show that the asymmetric EGARCH, GJR-GARCH, and TGARCH specifications have a superior fit compared to the symmetric GARCH and NGARCH models. Similar evidence is found in the out-of-sample forecasting as it is demonstrated that the EGARCH and TGARCH models tend to provide the most accurate forecasts, while the GARCH and NGARCH models are shown to perform the worst. The empirical results of the thesis show evidence of similar GARCH model performance rankings across the Nordic stock markets. The superior performance of the EGARCH and TGARCH specifications regarding the goodness-of- fit and predictive accuracy indicates that capturing the leverage effect can enhance both modelling and forecasting performance.
The GARCH models produce less accurate volatility forecasts during the COVID-19 subsample across all model specifications. However, the model rankings are not notably affected by the crisis and increased market volatility, as the asymmetric EGARCH and TGARCH models remain superior.
Tämän tutkielman tarkoituksena on tutkia erilaisten GARCH-mallien sopivuutta ja ennustetarkkuutta Pohjoismaisilla osakemarkkinoilla normaaleina aikoina ja kohonneen markkinavolatiliteetin aikana, joka aiheutui COVID-19 pandemiasta. Tässä tutkielmassa käytetään datana Suomen, Ruotsin, Tanskan ja Norjan osakeindeksejä, jotta voidaan tutkia GARCH-mallien suorituskykyä Pohjoismaissa.
Tutkittuihin GARCH-malleihin kuuluu GARCH-, EGARCH-, GJR-GARCH-, TGARCH- ja NGARCH-mallit. Valitut mallit sovitetaan niin sanottuun ”in-sample” dataan, joka sisältää datan ajalta 4.1.2010–29.12.2017, jotta voidaan arvioida mallien sopivuutta dataan. Lisäksi GARCH- malleja käytetään tuottamaan volatiliteettiennusteita ajalle 2.1.2018–30.12.2022 mallien ennustuskyvyn arvioimiseksi, ja ajalle 3.2.2020–26.2.2021, jotta voidaan arvioida mallien kykyä ennustaa volatiliteettia COVID-19-pandemian ja markkinakriisin aikana.
Tulokset osoittavat, että asymmetriset EGARCH-, GJR-GARCH- ja TGARCH-mallit sopivat dataan paremmin verrattuna symmetrisiin GARCH- ja NGARCH-malleihin. EGARCH- ja TGARCH-mallit antavat myös tarkimpia ennusteita, kun taas GARCH- ja NGARCH-mallit suoriutuvat ennustamisesta huonoiten. Tutkielman empiiriset tulokset osoittavat, että GARCH- mallien paremmuusjärjestys on samankaltainen eri Pohjoismaiden osakemarkkinoilla. EGARCH- ja TGARCH-mallien ylivoimainen suorituskyky sekä mallien sopivuudessa, että ennusteiden tekemisessä osoittaa, että tuottojen epäsymmetristen vaikutusten huomioon ottaminen parantaa sekä mallin sopivuutta, että ennustustarkkuutta.
Kaikki GARCH-mallit tuottavat huonompia volatiliteettiennusteita COVID-19 pandemian aikana. Mallien paremmuusjärjestys ei kuitenkaan merkittävästi muutu kriisin ja lisääntyneen markkinavolatiliteetin aikana.