• 응용통계연구
• /
• 제23권4호
• /
• pp.683-692
• /
• 2010

본 논문에서는 연속형-GARCH 시계열 자료인 금융 시계열 자료에 대해서 클리핑(clipping)을 통해 얻은 이항(binary) 범주형 시계열을 분석하고 응용하는 방안에 대해 연구하고 있다. 모수추정 방법을 소개하고 있으며 이를 이용하여 이분산 시계열과 연관된 확률을 추정하는 방법을 예시하였다.

• 재무관리연구
• /
• 제23권2호
• /
• pp.189-208
• /
• 2006

대부분의 국내 선행연구들은 이분산성은 GARCH모형으로, 꼬리위험은 EVT모형으로 따로 고려하였다. 이 경우 이분산성 및 꼬리의 두꺼움을 동시에 고려하지 못한 VaR값은 실제 위험량을 적절히 반영하지 못할 가능성이 있다. 따라서 본 연구에서는 이분산성 및 꼬리의 두꺼움을 고려할 수 있는 GARCH-EVT모형이 정규분포를 가정한 VaR와 이분산성을 가정한 VaR보다 높은 성과를 나타내는지 살펴보았다. 연구결과를 요약하면 다음과 같다. 첫째, 주식수익률은 정규분포보다는 꼬리부분이 두꺼운 형태를 보이고, 이분산성을 가진다. 이 경우 정규분포하에서 산출된 VaR는 실제 손실금액을 과소평가할 위험성이 있어 이분산성과 꼬리의 두꺼움을 감안할 수 있는 모형의 도입이 필요함을 알 수 있다. 둘째, 이분산성과 꼬리의 두꺼움을 고려한 GARCH-EVT모형하에서의 VaR는 정규분포를 가정한 VaR와 이분산성을 가정한 VaR보다 높은 성과를 보였다. 셋째, 이분산성 및 꼬리의 두꺼움을 고려한 GARCH-EVT모형하에서의 ES는 정규분포를 가정한 VaR와 이분산성을 가정한 VaR보다 높은 성과를 일관되게 보여주지 않았다. 결론적으로 이분산성과 꼬리의 두꺼움을 동시에 반영한 GARCH-EVT모형하에서 VaR가 금융기관의 위험관리의 유용한 도구가 될 수 있는 가능성을 발견하였다. 비록 상대적으로 높은 성과를 보이지는 않지만 ES는 VaR함께 위험척도로 같이 사용할 때 보수적인 위험관리 차원에 부합될 것이다.

• 응용통계연구
• /
• 제24권6호
• /
• pp.1033-1043
• /
• 2011

본 논문에서는 KOSPI지수와 원-달러 환율의 로그수익률을 사용하여 비대칭 이분산성에 대해 연구한다. 커널 density plot과 상승기와 하강기의 평균, 분산을 검토하여 이들 시계열의 변동의 비대칭성에 대한 윤곽을 파악하고 GARCH군의 여러 비대칭 모형을 적합하여 비대칭성을 실증적으로 파악한다. 또한 최종선택 모형인 EGARCH 모형을 바탕으로 부트스트래핑을 사용하여 미래 시점의 변동성인 조건부 분산의 기대치를 예측하고 예측표준오차를 구해본다.

• Communications for Statistical Applications and Methods
• /
• 제31권5호
• /
• pp.535-556
• /
• 2024

Measuring stock market volatility and its determinants is critical for stock market participants, as volatility spillover effects affect corporate performance. This study adopted a novel approach to analysing and implementing GARCH-MIDAS modelling methods. The classical GARCH as a benchmark and the univariate GARCH-MIDAS framework are the GARCH family models whose forecasting outcomes are examined. The outcome of GARCH-MIDAS analyses suggests that inflation, interest rate, exchange rate, and oil price are significant determinants of the volatility of the Johannesburg Stock Market All Share Index. While for Nigeria, the volatility reacts significantly to the exchange rate and oil price. Furthermore, inflation, exchange rate, interest rate, and oil price significantly influence Ghanaian equity volatility, especially for the long-term volatility component. The significant shock of the oil price and exchange rate to volatility is present in all three markets using the generalized autoregressive conditional heteroscedastic-mixed data sampling (GARCH-MIDAS) framework. The GARCH-MIDAS, with a powerful fusion of the GARCH model's volatility-capturing capabilities and the MIDAS approach's ability to handle mixed-frequency data, predicts the volatility for all variables better than the traditional GARCH framework. Incorporating these two techniques provides an innovative and comprehensive approach to modelling stock returns, making it an extremely useful tool for researchers, financial analysts, and investors.

• 응용통계연구
• /
• 제20권1호
• /
• pp.53-60
• /
• 2007

시계열 자료 분석에서 ARCH류와 같은 조건부 이분산성 모형을 가정하고 분석하는 모형들이 많이 쓰이고 있다. 실제 우리나라 금융 시계열 자료들을 분석해 보면 비정상성을 나타내는 경우가 드물지 않게 나타난다. 즉, 단위근 형태의 비정상 패턴(integrated phenomenon)에 가까운 경우가 자주 나타난다. 본 논문에서는 다양한 국내 금융시계열 15개에(주가지수, 선물지수, 환율, 이자율 등) GARCH(1,1) 모형을 적합시켜 분산의 지속성을 확인하고, 각 데이터에 첨도(Kurtosis)와 적합된 IGARCH(1,1) 모형을 제시하고자 한다.

• Communications for Statistical Applications and Methods
• /
• 제16권2호
• /
• pp.287-297
• /
• 2009

일반적으로 일반화 자기회귀 조건부 이분산(GARCH)모형 하에서, 우도함수에 기반한 자료의 예측구간의 추정은 오차항의 분포에 민감하게 반응하고 더욱이 조건부분산의 경우 구간추정이 현실적으로 쉽게 풀리지 않는 문제이다. 이를 해결하기 위해 붓스트랩방법(bootstrap method)이 적용될 수 있음을 최근 연구들을 통해 밝혀졌다. 본 논문에서는 GARCH모형 하에서 자료와 변동성(조건부 분산)의 예측구간 추정을 위해 최근 소개된 Pascual 등 (2006)의 논문을 토대로 붓스트랩 방법를 정리하였다 실제 사례분석을 위해 국내 주가수익률자료를 이용하였다.

• Journal of the Korean Statistical Society
• /
• 제34권2호
• /
• pp.161-172
• /
• 2005

In this paper a nonparametric method is proposed for detecting conditionally heteroscedastic errors in a nonparametric time series regression model where the observation points are equally spaced on [0,1]. It turns out that the first-order sample autocorrelation of the squared residuals from the kernel regression estimates provides essential information. Illustrative simulation study is presented for diverse errors such as ARCH(1), GARCH(1,1) and threshold-ARCH(1) models.

• Journal of the Korean Data and Information Science Society
• /
• 제21권6호
• /
• pp.1041-1049
• /
• 2010

한국프로야구에서 관중수는 프로야구 발전을 위한 가장 큰 수입원이며 프로야구팀의 관심사이므로 수요예측 모형이 있다면 프로야구구단들은 관중유치 전략을 세우는데 도움이 될 것이다. 이러한 이유로 본 연구에서는 한국프로야구 관중수를 예측하는 모형을 제안하고자 하며 제한된 여건 속에서 관중수에 영향을 미치는 이용 가능한 대부분의 변수들을 고려하였다. 종속변수는 로그관중수로 두고 다양한 독립변수와 오차항의 분산을 등분산, 조건부 이분산을 가정한 여러 가지 일반화 자기회귀 모형, 오차항의 분포가 t분포를 따른다는 가정을 이용한 일반화 자기회귀 조건부 이분산 모형들을 서로 비교하였는데, 그 결과 고려된 모형 중에서는 t분포를 가정한 일반화 자기회귀 조건부 이분산 모형이 가장 예측력이 뛰어났다.

• Journal of the Korean Data and Information Science Society
• /
• 제16권2호
• /
• pp.271-281
• /
• 2005

Zokian(1993) and Li and Li(1996) developed TARCH(Threshold ARCH) model, considering the asymmetries in volatility. The models are based on Engle(1982)'s ARCH model and Bollerslev(1986)'s GARCH model. However, two TARCH models can be expressed a common model through Box Cox Power transformation, which was used by Higgins and Bera(1992) for developing NARCH(nonlinear ARCH) model. This article shows the PTARCH(Power transformation TARCH) model is necessary in some condition, and it checks the fact that PTARCH model has better performance comparing estimates and RMSE(Root Mean Square Error) with those of Zakoian's TARCH model and Li and Li's TARCH model. PTARCH model would give contribution in asymmetric study as well as heteroscedastic study.

• Communications for Statistical Applications and Methods
• /
• 제17권2호
• /
• pp.255-261
• /
• 2010

A class of threshold-asymmetric GRACH(TGARCH, hereafter) models has been useful for explaining asymmetric volatilities in the field of financial time series. The cumulative impulse response function of a conditionally heteroscedastic time series often measures a degree of unstability in volatilities. In this article, a general form of the cumulative impulse response function of the TGARCH model is discussed. In particular, We present formula in their closed forms for the first two lower order models, viz., TGARCH(1, 1) and TGARCH(2, 2).