Prognozowanie stanu turbulencji dla instrumentu finansowego w perspektywie dziennej na podstawie modeli dla binarnej zmiennej zależnej

• Autorzy: Marcin Chlebus

Warianty tytułu

One-day prediction of state of turbulence for financial instrument based on models for binary dependent variable

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono propozycję modeli prognozowania stanów dla instrumentu finansowego w horyzoncie jednodniowym. W badaniu poddano analizie modele zakładające: jeden z trzech modeli dla zmiennej binarnej (logitowy, probitowy oraz cloglog), cztery definicje zmiennej zależnej (20%, 10%, 5% oraz 1% najgorszych realizacji stopy zwrotu) oraz trzy różne zbiory zmiennych niezależnych (dane nieprzekształcone, główne składowe z analizy PCA oraz czynniki z analizy czynnikowej). Ponadto w badaniu przeprowadzono analizę wyboru optymalnego punktu odcięcia. Ocena modeli została wykonana na podstawie testów LR i Hosmera-Lemeshowa oraz analizy parametru GINI i kryterium KROC. Na podstawie wyników badania empirycznego ustalono dziewięć kombinacji założeń, dla których modele stanu turbulencji spełniają określone w badaniu wymogi formalne oraz charakteryzują się wysoką zdolnością prognostyczną i dyskryminacyjną. (abstrakt oryginalny)

EN

This paper proposes an approach to predict states (states of tranquillity and turbulence) for a financial instrument in a one-day horizon. The prediction is made using 3 different models for a binary variable (LOGIT, PROBIT, CLOGLOG), 4 definitions of a dependent variable (1%, 5%, 10%, 20% of worst realization of returns), 3 sets of independent variables (untransformed data, PCA analysis and factor analysis). Additionally an optimal cut-off point analysis is performed. The evaluation of the models was based on the LR test, Hosmer-Lemeshow test, GINI coefficient analysis and KROC criterion based on the ROC curve. Nine combinations of assumptions have been chosen as appropriate (any model for a binary variable, the dependent variable defined as 1%, 5% or 10% of worst realization of returns, untransformed data, 1%, 5% or 10% cut-off point respectively). Models built on these assumptions meet all the formal requirements and have a high predictive and discriminant ability. (original abstract)

Słowa kluczowe

PL

Prognozowanie; Instrumenty finansowe; Modele ekonomiczne

EN

Forecasting; Financial instruments; Economic models

• Czasopismo: Ekonomia / Uniwersytet Warszawski
• Rocznik: 2014
• Numer: nr 37
• Strony: 127--147

Twórcy

autor

Marcin Chlebus

• Uniwersytet Warszawski

Bibliografia

• Anderson R. (2007) Module C Stats and maths, [w:] The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management and Decision Automation, Oxford University Press.
• Barrell R., Davis P., Karim D., Liadze I. (2010) Bank regulation, property prices and early warning systems for banking crises in OECD countries, Journal of Banking & Finance 34(9), s. 2255-2264.
• Beckmann D., Menkhoff L., Sawischlewski K. (2006) Robust lessons about practical early warning systems, Journal of Policy Modeling 28(2), s. 163-193.
• Bussiere M., Fratzscher M. (2008) Low probability, high impact: Policy making and extreme events, Journal of Policy Modeling 30(1), s. 111-121.
• Davis P., Karim D. (2008) Comparing early warning systems for banking crises, Journal of Financial Stability 4(2), s. 89-120.
• Eichengreen B., Rose A., Wyplosz Ch., Dumas B., Weber A. (1995) Exchange Market Mayhem: The Antecedents and Aftermath of Speculative Attacks, Economic Policy 10(21), s. 249-312.
• Hosmer D., Hosmer T., Le Cessie S., Lemeshow S. (1997) A Comparison Of Goodness-Of-Fit Tests For The Logistic Regression Model, Statistics in Medicine 16(9), s. 965-980.
• Hosmer D., Lemeshow S. (2000) Chapter 5. Assessing the Fit of the Model, [w:] Applied Logistic Regression. Second Edition, John Wiley & Sons.
• Kaiser H. (1970) A Second Generation Little Jiffy, Psychometrika 35(4), s. 401-415.
• Kamin S. (1999) The current international financial crisis: how much is new?, working paper, Board of Governors of the Federal Reserve System International Finance.
• Kaminsky G., Lizondo S., Reinhart C. (1998) Leading indicators of currency crises, working paper, IMF Staff Papers.
• Kim H.-J. (2008) Common Factor Analysis Versus Principal Component Analysis: Choice for Symptom Cluster Research, Asian Nursing Research 2(1), s. 17-24.
• Kim T.Y., Hwang Ch., Lee J. (2004) Korean Economic Condition Indicator Using a Neural Network Trained on the 1997 Crisis, Journal of Data Science 2, s. 371-381.
• King G., Langche Z. (2001) Logistic Regression in Rare Events Data, Political Analysis 9, s. 137-163.
• Oh K.J., Kim T.Y., Kim Ch. (2006) An early warning system for detection of financial crisis using financial market volatility, Expert Systems 23, s. 83-98.
• Steyerberg E., Van Calster B., Pencina M. (2011) Performance Measures for Prediction Models and Markers: Evaluation of Predictions and Classifications, Revista Espanola de Cardiologia (English Edition) 64(9), s. 788-794.
• Tasche D. (2008) Validation of internal rating systems and PD estimates. [w:] The Analytics of Risk Model Validation, Academic Press