• Management & Information Systems Review
• /
• v.30 no.2
• /
• pp.237-255
• /
• 2011

This empirical study is focused on practical application of Range-Based Volatility which is estimated by opening, high, low, closing price of overall asset. Especially proper forecasting period is what I want to know. There is four useful Range-Based Volatility(RV) such as Parkinson(1980; PK), Garman and Klass(1980; GK) Rogers and Satchell(1991; RS), Yang and Zhang(2008; YZ). So, four RV of KOPSI 200 index during 2000.5.22-2009.9.18 was used for empirical test. The emprirical result as follows. First, the best RV which shows the best forecasting performance is PK volatility among PK, GK, RS, YZ volatility. According to estimating period forcasting performance of RV shows delicate difference. PK has better performance in the period with financial crisis of sub-prime mortgage loan. if not, RS is better. Second, almost result shows better performance on forecasting volatility without sub-prime mortgage loan period. so we can say that forecasting performance is lower when historical volatiltiy is comparatively high. Finally, I find that longer estimating period in AR(1) and MA(1) model can reduce forecasting error. More interesting point is that the result shows rapid decrease form 60 days to 90 days and there is no more after 90 days. So, if we forecast the volatility using Range-Based volaility it is better to estimate with 90 trading period or over 90 days.

• The Korean Journal of Financial Management
• /
• v.9 no.2
• /
• pp.343-367
• /
• 1992

이 연구는 시계열분석(時系列分析)에 의해 주식수익율(株式收益率)의 변동성(變動性)을 예측하는 모델을 개발하고 그것에 의해 도출된 예측치(豫測値)의 실제변동성(實際變動性)에 대한 예측력(豫測力)을 미국의 주식시장자료를 사용하여 검증 비교하였다. 구체적으로 수익률변동성에 대한 (1) 역사적(歷史的) 변동성(變動性), (2) ARMAX 예측치(豫測値), (3) GARCH 예측치(豫測値) 등이 도출되고 그것들의 예측력이 통계적 비교와 회귀분석 등의 여러차원의 평가기준에 의해서 비교된다. 실증결과에 따르면 선택된 독립변수들에 근거한 ARMAX 예측치가 다른 예측치들 보다 모든 평가기준에서 우수한 예측력을 보였다. GARCH 예측치는 기대와는 달리 만족스러운 예측력을 보여주지 못했다. 본 연구에서 예측력이 실증된 ARMAX 예측치를 다양한 옵션가격결정모형의 변동성투입요소로 사용하는 것은 보다 정확한 옵션의 이론가격을 도출하는 데 크게 기여할 것이다. 또한, 이 논문의 실증결과는 각종의 자산가격결정이론, 수익률분포이론 등의 학문적 분야 뿐만 아니라 주식수익률 변동성의 동향이 일반투자자들의 투자전략에 결정적 영향을 미친다는 점에서 실무적인 관점에서도 시사하는 바가 크다고 할 것이다.

• The Korean Journal of Applied Statistics
• /
• v.36 no.2
• /
• pp.129-139
• /
• 2023

Forecasting volatility is essential to avoiding the risk caused by the uncertainties of an financial asset. Complicated financial volatility features such as ambiguity between non-stationarity and stationarity, asymmetry, long-memory, sudden fairly large values like outliers bring great challenges to volatility forecasts. In order to address such complicated features implicity, we consider machine leaning models such as LSTM (1997) and GRU (2014), which are known to be suitable for existing time series forecasting. However, there are the problems of vanishing gradients, of enormous amount of computation, and of a huge memory. To solve these problems, a causal temporal convolutional network (TCN) model, an advanced form of 1D CNN, is also applied. It is confirmed that the overall forecasting power of TCN model is higher than that of the RNN models in forecasting VIX, VXD, and VXN, the daily volatility indices of S&P 500, DJIA, Nasdaq, respectively.

• International Area Studies Review
• /
• v.14 no.2
• /
• pp.25-40
• /
• 2010

Accurate forecasting of volatility is of considerable interest in financial volatility research, particularly in regard to portfolio allocation, option pricing and risk management because volatility is equal to market risk. So, we attempted to delineate a model with good ability to forecast and identified stylized features of volatility, with a focus on volatility persistence or long memory in the Australian futures market. In this context, we assessed the long-memory property in the volatility of index futures contracts using three conditional volatility models, namely the GARCH, IGARCH and FIGARCH models. We found that the FIGARCH model better captures the long-memory property than do the GARCH and IGARCH models. Additionally, we found that the FIGARCH model provides superior performance in one-day-ahead volatility forecasts. As discussed in this paper, the FIGARCH model should prove a useful technique in forecasting the long-memory volatility in the Australian index futures market.

• Communications for Statistical Applications and Methods
• /
• v.17 no.2
• /
• pp.293-308
• /
• 2010

In this paper, we examine the forecasting KOSPI 200 realized volatility by volatility measurements. The empirical investigation for KOSPI 200 daily returns is done during the period from 3 January 2003 to 29 June 2007. Since Korea Exchange(KRX) will launch VKOSPI futures contract in 2010, forecasting VKOSPI can be an important issue. So we analyze which volatility measurements forecast VKOSPI better. To test this hypothesis, we use 5-minute interval returns to measure realized volatilities. Also, we propose a new methodology that reflects the synchronized bidding and simultaneously takes it account the difference between overnight volatility and intra-daily volatility. The t-test and F-test show that our new realized volatility is not only different from the realized volatility by a conventional method at less than 0.01% significance level, also more stable in summary statistics. We use the correlation analysis, regression analysis, cross validation test to investigate the forecast performance. The empirical result shows that the realized volatility we propose is better than other volatilities, including historical volatility, implied volatility, and convention realized volatility, for forecasting VKOSPI. Also, the regression analysis on the predictive abilities for realized volatility, which is measured by our new methodology and conventional one, shows that VKOSPI is an efficient estimator compared to historical volatility and CRR implied volatility.

• Journal of Intelligence and Information Systems
• /
• v.23 no.2
• /
• pp.107-122
• /
• 2017

Volatility in the stock market returns is a measure of investment risk. It plays a central role in portfolio optimization, asset pricing and risk management as well as most theoretical financial models. Engle(1982) presented a pioneering paper on the stock market volatility that explains the time-variant characteristics embedded in the stock market return volatility. His model, Autoregressive Conditional Heteroscedasticity (ARCH), was generalized by Bollerslev(1986) as GARCH models. Empirical studies have shown that GARCH models describes well the fat-tailed return distributions and volatility clustering phenomenon appearing in stock prices. The parameters of the GARCH models are generally estimated by the maximum likelihood estimation (MLE) based on the standard normal density. But, since 1987 Black Monday, the stock market prices have become very complex and shown a lot of noisy terms. Recent studies start to apply artificial intelligent approach in estimating the GARCH parameters as a substitute for the MLE. The paper presents SVR-based GARCH process and compares with MLE-based GARCH process to estimate the parameters of GARCH models which are known to well forecast stock market volatility. Kernel functions used in SVR estimation process are linear, polynomial and radial. We analyzed the suggested models with KOSPI 200 Index. This index is constituted by 200 blue chip stocks listed in the Korea Exchange. We sampled KOSPI 200 daily closing values from 2010 to 2015. Sample observations are 1487 days. We used 1187 days to train the suggested GARCH models and the remaining 300 days were used as testing data. First, symmetric and asymmetric GARCH models are estimated by MLE. We forecasted KOSPI 200 Index return volatility and the statistical metric MSE shows better results for the asymmetric GARCH models such as E-GARCH or GJR-GARCH. This is consistent with the documented non-normal return distribution characteristics with fat-tail and leptokurtosis. Compared with MLE estimation process, SVR-based GARCH models outperform the MLE methodology in KOSPI 200 Index return volatility forecasting. Polynomial kernel function shows exceptionally lower forecasting accuracy. We suggested Intelligent Volatility Trading System (IVTS) that utilizes the forecasted volatility results. IVTS entry rules are as follows. If forecasted tomorrow volatility will increase then buy volatility today. If forecasted tomorrow volatility will decrease then sell volatility today. If forecasted volatility direction does not change we hold the existing buy or sell positions. IVTS is assumed to buy and sell historical volatility values. This is somewhat unreal because we cannot trade historical volatility values themselves. But our simulation results are meaningful since the Korea Exchange introduced volatility futures contract that traders can trade since November 2014. The trading systems with SVR-based GARCH models show higher returns than MLE-based GARCH in the testing period. And trading profitable percentages of MLE-based GARCH IVTS models range from 47.5% to 50.0%, trading profitable percentages of SVR-based GARCH IVTS models range from 51.8% to 59.7%. MLE-based symmetric S-GARCH shows +150.2% return and SVR-based symmetric S-GARCH shows +526.4% return. MLE-based asymmetric E-GARCH shows -72% return and SVR-based asymmetric E-GARCH shows +245.6% return. MLE-based asymmetric GJR-GARCH shows -98.7% return and SVR-based asymmetric GJR-GARCH shows +126.3% return. Linear kernel function shows higher trading returns than radial kernel function. Best performance of SVR-based IVTS is +526.4% and that of MLE-based IVTS is +150.2%. SVR-based GARCH IVTS shows higher trading frequency. This study has some limitations. Our models are solely based on SVR. Other artificial intelligence models are needed to search for better performance. We do not consider costs incurred in the trading process including brokerage commissions and slippage costs. IVTS trading performance is unreal since we use historical volatility values as trading objects. The exact forecasting of stock market volatility is essential in the real trading as well as asset pricing models. Further studies on other machine learning-based GARCH models can give better information for the stock market investors.

• The Korean Journal of Applied Statistics
• /
• v.29 no.7
• /
• pp.1213-1229
• /
• 2016

Cho and Shin (2016) recently demonstrated that an integrated HAR model has a forecast advantage over the HAR model of Corsi (2009). Recalling that realized volatilities of financial assets have asymmetries, we add a leverage term to the integrated HAR model, yielding the LIHAR model. Out-of-sample forecast comparisons show superiority of the LIHAR model over the HAR and IHAR models. The comparison was made for all the 20 realized volatilities in the Oxford-Man Realized Library focusing specially on the DJIA, the S&P 500, the Russell 2000, and the KOSPI. Analysis of the realized volatility data sets reveal apparent long-memory and asymmetry. The LIHAR model takes advantage of the long-memory and asymmetry and produces better forecasts than the HAR, IHAR, LHAR models.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2001.06a
• /
• pp.333-340
• /
• 2001

본 연구에서는 GARCH 모델과 이동평균법을 이용한 국내 외환 시장에 있어서의 변동성 척도가 비교 분석되었다. 즉 두가지 알고리듬을 통하여 정보의 내용과 외환시장 변동성의 변통성 예측력을 비교하였다. 그 결과 GARCH 모형에 의할 변동성 추정치는 예측력에 있어서는 이동평균 추정치 보다 낮은 수준이지만 정보내용의 측면에서 성과가 더 좋은 것으로 나타났다. 그리고 GARCH모형에 의한 추정치는 이동평균 추정치 보다 편의성(Bias)이 낮은 것으로 나타났다. 또한 변동성의 가치에 대해서 논의하고, 이러한 변통성 추정치를 통해서 실제 환율변동을 헷지하기 위한 옵션매매에 어떻게 적용할 수 있는지를 언급하였다.

• The Korean Journal of Financial Management
• /
• v.16 no.2
• /
• pp.285-308
• /
• 1999

증권의 가격형성에 유리한 뉴스와 불리한 뉴스가 도착할 때 이 뉴스가 주가의 변동성에 미치는 영향의 정도는 차이가 있다. 불리한 뉴스가 변동성에 미치는 영향도가 유리한 뉴스가 변동성에 미치는 영향도보다 크다. 따라서 불리한 뉴스가 발생할 때 형성되는 변동성의 양이 유리한 뉴스의 도착시보다 크다. 그리고 충격의 크기에 따라 이 충격이 야기하는 변동성의 양의 크기에도 차이가 존재한다. 일반 자기회귀 조건부 이분산 과정은 유리한 뉴스와 불리한 뉴스를 대칭적으로 반영하고 있다. 이 뉴스들을 비대칭적으로 포착하는 자기회귀 조건부 이분산 과정의 모형들을 실증적으로 분석하였다. 뉴스의 비대칭성과 규모를 적절히 포착하고 있는 모형들이 비선형 일반 자기회귀 조건부 이분산 과정, 지수 일반 자기회귀 조건부 이분산 과정과 정보 포착 자기회귀 조건부 이분간 과정임이 발견되었다. 이 중 비선형 일반 자기회귀 조건부 이분산 과정이 가장 좋은 모형으로 보인다. 비선형 일반 자기회귀 조건부 이분산 과정의 경우 예측오차의 승멱(power)이 약 1.5이다. 따라서 일반 자기회귀 조건부 이분산 과정의 예측오차의 승멱인 2에 비하여 작다. 이 사실은 일반 자기회귀 조건부 이분산의 예측오차의 승멱이 과도하게 측정되고 없음을 알 수 있다. 뉴스의 비대칭성과 규모를 반영하고 있는 모형들은 한결같이 예측오차의 크기에 적절한 가중치를 부여하여 예측오차의 크기를 조정하고 있다. 이 모형의 성질과 실증분석의 결과에 의하여 예측오차의 승멱은 2 이하로 수정하여 사용해야 한다는 점이 시사되고 있다. 음의 충격이 양의 충격보다 주가의 변동성을 크게 하고 없음이 발견되었다. 주가형성에 유리한 뉴스와 불리한 뉴스가 주가의 변동성에 미치는 영향의 차이와 충격의 중대성을 양으로 표시하는 규모의 차이를 반영해주는 변수들의 추정된 계수가 미국과 일본보다 절대값에 있어서 상당히 작다. 이 현상은 뉴스의 비대칭성과 규모보다는 발생하는 충격, 즉 뉴스 자체에 보다 민감하게 반응하고 있음을 보여주고 있다. 물론 투자자들이 뉴스의 비대칭성과 규모를 완전히 무시하고 투자활동을 전개하고 있다는 것을 의미하는 것은 아니다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.576-579
• /
• 2024

경제 위기 대비를 위해 인공지능을 활용한 주식시장 변동성 이상을 탐지하는 목적을 가지고 있다. 글로벌 이슈와 경제 위기 대비를 위해 주식시장 변동성 예측의 중요성이 부각되고 있으며, 기존의 주식시장 변동성 지수인 VIX 의 한계로 인해 더 복잡한 모델 및 인공지능을 활용한 연구에 관심이 집중되고 있다. 기존의 주식시장 변동성 예측에 관한 연구들은 통계적인 방법을 사용했으며 인공지능을 이용한 연구 또한 대부분 이상치 구간을 표시하여 예측을 목표로 하고 있으나 이러한 접근법은 라벨이 있는 데이터 수집 어려움, 클래스 불균형 문제가 있다. 본 연구는 인공지능을 활용한 주식시장 변동성 탐지에 기여하고 지도 학습 방식 대신 비지도 학습 기반의 이상탐지모델을 사용하여 주식시장 변동성을 예측하는 새로운 방법론을 제안한다. 본 연구에서 개발한 인공지능 모델은 IsolationForest 모델을 활용하며, 시계열 데이터를 전처리한 후 정상성을 확보하는 등의 과정을 거친다. 실험 결과로 인공지능 모델이 주요 경제이슈를 이상치로 검출하는 성능을 확인하였으며 재현율 약 93.6%, 정밀도 100%로 높은 성능을 달성했다.