Асимметричная волатильность и взаимосвязи на валютных рынках: Плохие и хорошие перетоки волатильности

Содержание

• 1. Введение
• 2. Методология
  • 2.1 Измерение взаимосвязей волатильности
  • 2.2 Асимметричная структура полудисперсий
  • 2.3 Данные и выборка
• 3. Эмпирические результаты
  • 3.1 Динамика общей взаимосвязи
  • 3.2 Модели асимметричных перетоков
  • 3.3 Анализ чистых перетоков
• 4. Ключевые выводы
• 5. Технические детали и математическая формулировка
• 6. Экспериментальные результаты и графики
• 7. Пример аналитической структуры
• 8. Перспективы применения и будущие направления
• 9. Оригинальный анализ
• 10. Список литературы
• 11. Экспертный комментарий: Основная идея, логическая последовательность, сильные и слабые стороны, практические выводы

1. Введение

Феномен асимметричной волатильности (АВФ) является хорошо задокументированным стилизованным фактом: волатильность на финансовых рынках выше после спадов и ниже после подъемов. Однако, хотя АВФ интенсивно изучался, асимметрии в перетоках волатильности — как плохая волатильность распространяется по сравнению с хорошей между активами — получили гораздо меньше внимания. Данная статья Баруника, Коченды и Вахи (2016) восполняет этот пробел, исследуя асимметричную взаимосвязь волатильности на валютных рынках с использованием высокочастотных внутридневных данных с 2007 по 2015 год для наиболее активно торгуемых валют.

Авторы документируют, что отрицательные (плохие) перетоки волатильности доминируют над положительными (хорошими), особенно во время европейского долгового кризиса. Положительные перетоки коррелируют с кризисом субстандартного ипотечного кредитования, расходящейся денежно-кредитной политикой центральных банков и развитием товарных рынков. Исследование предоставляет новые доказательства того, что фискальные факторы связаны с чистыми отрицательными перетоками, в то время как комбинация денежно-кредитных и реальных экономических событий движет чистыми положительными асимметриями.

2. Методология

2.1 Измерение взаимосвязей волатильности

Авторы используют структуру взаимосвязей Диболда и Йылмаза (2015), которая использует декомпозицию дисперсии из векторных авторегрессий (VAR) для количественной оценки перетоков. Общий индекс взаимосвязи измеряет долю дисперсии ошибки прогноза, обусловленную шоками по различным активам. Направленные перетоки (к другим, от других) и чистые перетоки вычисляются для выявления передатчиков и приемников волатильности.

2.2 Асимметричная структура полудисперсий

Для учета асимметрии авторы разлагают реализованную волатильность на нисходящую (плохую) и восходящую (хорошую) полудисперсии на основе работы Барндорфа-Нильсена, Киннеброка и Шепарда (2010). Плохая волатильность ассоциируется с отрицательными доходностями, хорошая волатильность — с положительными доходностями. Затем показатели взаимосвязи вычисляются отдельно для компонентов плохой и хорошей волатильности, что позволяет идентифицировать асимметричную динамику перетоков.

2.3 Данные и выборка

Набор данных охватывает период 2007–2015 годов с 5-минутными внутридневными данными по шести основным валютным парам: EUR/USD, GBP/USD, USD/JPY, USD/CHF, AUD/USD и USD/CAD. Период выборки включает глобальный финансовый кризис, европейский долговой кризис и последующие расхождения в политике. Реализованная волатильность и полудисперсии рассчитываются ежедневно на основе внутридневных доходностей.

3. Эмпирические результаты

3.1 Динамика общей взаимосвязи

Общий индекс взаимосвязи колеблется во времени, достигая пиков в периоды кризисов. Средняя общая взаимосвязь составляет около 60%, что указывает на существенную взаимозависимость между валютами. Пики приходятся на финансовый кризис 2008 года и европейский долговой кризис 2011–2012 годов, когда взаимосвязь достигала более 80%.

3.2 Модели асимметричных перетоков

Перетоки плохой волатильности последовательно больше, чем перетоки хорошей волатильности. Средняя взаимосвязь по плохой волатильности составляет приблизительно 65%, в то время как по хорошей — около 55%. Асимметрия наиболее выражена во время европейского долгового кризиса, где доминируют плохие перетоки. Положительные перетоки более заметны во время кризиса субстандартного ипотечного кредитования и периодов расхождения денежно-кредитной политики.

3.3 Анализ чистых перетоков

Анализ чистых перетоков показывает, что EUR/USD является чистым передатчиком плохой волатильности во время европейского долгового кризиса, в то время как USD/JPY выступает в роли чистого приемника. AUD/USD демонстрирует чистые положительные перетоки во время сырьевых бумов. Чистая асимметрия (плохая минус хорошая) положительна для большинства валют в периоды кризисов, что подтверждает более сильное распространение плохой волатильности.

4. Ключевые выводы

• Доминирование плохой волатильности: Отрицательные перетоки последовательно больше положительных, особенно во время кризисов.
• Асимметрия, обусловленная событиями: Фискальные события (суверенный долг) движут чистыми отрицательными перетоками; денежно-кредитные и реальные экономические события движут чистыми положительными перетоками.
• Гетерогенность валют: Различные валюты демонстрируют различные роли в качестве передатчиков или приемников плохой/хорошей волатильности.
• Последствия для портфеля: Асимметричные перетоки имеют прямые последствия для стратегий хеджирования и диверсификации.

5. Технические детали и математическая формулировка

Реализованная волатильность разлагается на нисходящую и восходящую полудисперсии:

$RV_t = \sum_{i=1}^{N} r_{t,i}^2$

$RS^-_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} < 0)$

$RS^+_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} > 0)$

где $r_{t,i}$ — внутридневная доходность, а $I(\cdot)$ — индикаторная функция. Показатели взаимосвязи основаны на VAR-модели порядка $p$:

$\mathbf{x}_t = \sum_{k=1}^{p} \mathbf{\Phi}_k \mathbf{x}_{t-k} + \mathbf{\epsilon}_t$

Декомпозиция дисперсии ошибки прогноза на $H$ шагов вперед дает матрицу перетоков $\mathbf{D}$, где $d_{ij}$ — вклад переменной $j$ в дисперсию ошибки прогноза переменной $i$. Общий индекс взаимосвязи равен:

$C = \frac{\sum_{i \neq j} d_{ij}}{\sum_{i,j} d_{ij}} \times 100$

Направленные перетоки (от других, к другим) и чистые перетоки вычисляются аналогично отдельно для плохой и хорошей полудисперсий.

6. Экспериментальные результаты и графики

Рисунок 1: Общий индекс взаимосвязи во времени (2007–2015). Индекс достигает пика более 80% во время финансового кризиса 2008 года и европейского долгового кризиса 2011–2012 годов, с базовым уровнем около 60%.

Рисунок 2: Взаимосвязь плохой и хорошей волатильности. Индекс взаимосвязи по плохой волатильности (сплошная линия) последовательно находится выше индекса взаимосвязи по хорошей волатильности (пунктирная линия), со средним разрывом в 10 процентных пунктов.

Рисунок 3: Чистые асимметричные перетоки (плохая минус хорошая) для каждой валюты. EUR/USD демонстрирует большую положительную чистую асимметрию в 2011–2012 годах, в то время как USD/JPY показывает отрицательную чистую асимметрию в тот же период.

Таблица 1: Средние направленные перетоки (2007–2015). EUR/USD передает 25% своей дисперсии другим (плохая волатильность) против 18% (хорошая волатильность). USD/JPY получает 30% от других (плохая) против 22% (хорошая).

7. Пример аналитической структуры

Тематическое исследование: Европейский долговой кризис (2011–2012)

В этот период перетоки плохой волатильности от EUR/USD к другим валютам резко возросли. Чистая асимметрия для EUR/USD достигла +15 процентных пунктов, что означает, что плохая волатильность передавалась гораздо сильнее, чем хорошая. Для USD/JPY чистая асимметрия составила -10 пунктов, что указывает на то, что он был чистым приемником плохой волатильности. Эта асимметрия объясняется фискальными проблемами в еврозоне, которые спровоцировали неприятие риска и бегство в валюты-убежища, такие как JPY и USD.

Практическое применение: Управляющему портфелем, держащему позиции в EUR/USD и USD/JPY, потребуется корректировать коэффициенты хеджирования во время кризисов, поскольку перетоки плохой волатильности усиливают корреляции и снижают преимущества диверсификации. Используя структуру асимметричной взаимосвязи, управляющий может определить, какие валюты являются чистыми передатчиками плохой волатильности, и соответствующим образом увеличить хеджирование.

8. Перспективы применения и будущие направления

Структура асимметричной взаимосвязи волатильности имеет широкое применение за пределами валютных рынков. Будущие исследования могли бы расширить анализ на:

• Рынки криптовалют: Применение структуры к биткоину и другим цифровым активам, которые демонстрируют экстремальную волатильность и потенциальные асимметрии.
• Межактивные перетоки: Изучение асимметрий между акциями, облигациями, товарами и валютами одновременно.
• Мониторинг в реальном времени: Разработка систем раннего предупреждения на основе индексов асимметричных перетоков для обнаружения накопления системного риска.
• Анализ политики: Оценка влияния интервенций центральных банков на асимметричное распространение волатильности.
• Интеграция машинного обучения: Использование нейронных сетей для прогнозирования асимметричных перетоков и оптимизации динамических стратегий хеджирования.

9. Оригинальный анализ

Эта статья вносит значительный вклад, расширяя литературу по взаимосвязям волатильности для включения асимметрии — аспекта, в значительной степени игнорируемого в предыдущих работах. Использование высокочастотных данных и декомпозиции полудисперсий методологически обосновано и обеспечивает детальное понимание. Вывод о том, что плохая волатильность доминирует во время фискальных кризисов, в то время как хорошая волатильность связана с расхождениями в денежно-кредитной политике, экономически интуитивен и согласуется с литературой по эффекту рычага (Блэк, 1976).

Однако исследование имеет ограничения. Выборка ограничена шестью основными валютными парами, исключая валюты развивающихся рынков, которые могут демонстрировать иные модели асимметрии. Показатель взаимосвязи на основе VAR предполагает линейность, что может не отражать нелинейные зависимости во время экстремальных событий. Кроме того, идентификация причинных факторов (фискальные против денежно-кредитных) основана на нарративной корреляции, а не на формальном тестировании причинно-следственных связей.

По сравнению с работой Баруника и др. (2016) по акциям США, валютный рынок демонстрирует более высокую общую взаимосвязь, но схожие модели асимметрии. Это позволяет предположить, что асимметрия в перетоках волатильности является универсальной чертой финансовых рынков, а не аномалией, специфичной для конкретного актива. Результаты также дополняют работу Диболда и Йылмаза (2015), добавляя новое измерение к анализу взаимосвязей.

С практической точки зрения, выводы имеют прямое значение для управления рисками. Управляющие портфелями должны учитывать асимметричные перетоки при построении хеджей, поскольку корреляции увеличиваются больше во время спадов, чем во время подъемов. Регуляторы могли бы использовать асимметричную взаимосвязь в качестве макропруденциального инструмента для мониторинга системного риска, поскольку всплески плохих перетоков часто предшествуют кризисам.

10. Список литературы

• Baruník, J., Kočenda, E., & Vácha, L. (2016). Asymmetric volatility connectedness on forex markets. arXiv:1607.08214.
• Baruník, J., Kočenda, E., & Vácha, L. (2015). Asymmetric volatility connectedness: A new approach and evidence from oil commodities. Energy Economics, 52, 220-235.
• Barndorff-Nielsen, O. E., Kinnebrock, S., & Shephard, N. (2010). Measuring downside risk: Realised semivariance. In Volatility and Time Series Econometrics (pp. 117-136). Oxford University Press.
• Black, F. (1976). Studies of stock price volatility changes. Proceedings of the 1976 Meetings of the American Statistical Association, 171-181.
• Diebold, F. X., & Yilmaz, K. (2015). Financial and Macroeconomic Connectedness: A Network Approach to Measurement and Monitoring. Oxford University Press.
• Kitamura, Y. (2010). Testing for intraday interdependence and volatility spillover among the euro, the pound and the Swiss franc. Journal of International Money and Finance, 29(5), 943-960.
• BIS (2013). Triennial Central Bank Survey: Foreign exchange turnover in April 2013. Bank for International Settlements.

11. Экспертный комментарий: Основная идея, логическая последовательность, сильные и слабые стороны, практические выводы

Основная идея: Эта статья не просто измеряет перетоки волатильности — она доказывает, что плохие новости распространяются быстрее и дальше, чем хорошие, на валютных рынках. Асимметрия не является статистическим артефактом; это структурная особенность, обусловленная различными экономическими режимами: фискальные кризисы усиливают плохие перетоки, в то время как расхождения в денежно-кредитной политике движут хорошими перетоками. Это меняет правила игры для тех, кто считал валютные корреляции симметричными.

Логическая последовательность: Авторы начинают с четкого пробела: всем известно, что волатильность асимметрична, но никто не проверял, являются ли перетоки асимметричными. Они строят строгую методологию, разлагая реализованную волатильность на плохие и хорошие полудисперсии, а затем встраивая их в структуру взаимосвязей Диболда-Йылмаза. Эмпирический раздел хорошо структурирован: сначала общая взаимосвязь, затем асимметрия, затем чистые перетоки и, наконец, экономическая интерпретация. Последовательность логична и легка для понимания, хотя утверждения о причинно-следственных связях (фискальные против денежно-кредитных) являются скорее предположительными, чем доказанными.

Сильные и слабые стороны: Самым большим преимуществом является новизна — это первая статья, документирующая асимметричную взаимосвязь волатильности на валютных рынках. Использование высокочастотных данных (5-минутных) является большим плюсом, поскольку позволяет уловить внутридневную динамику, которую дневные данные упустили бы. Декомпозиция полудисперсий элегантна и теоретически обоснована. Однако выборка ограничена шестью основными парами, игнорируя валюты развивающихся рынков, которые могут вести себя иначе. Модель VAR предполагает линейность, что является натяжкой в периоды кризисов, когда доминируют нелинейности. Кроме того, приписывание драйверов перетоков фискальным или денежно-кредитным событиям основано на визуальном осмотре временных рядов, а не на формальной проверке гипотез. Это ослабляет нарратив о причинно-следственных связях.

Практические выводы: Для управляющих портфелями: перестаньте предполагать симметричные корреляции. Во время кризисов коэффициенты хеджирования следует увеличивать на 20-30%, поскольку плохие перетоки усиливают риск снижения. Для центральных банков: асимметричная взаимосвязь может служить индикатором раннего предупреждения — всплеск плохих перетоков от EUR/USD к другим валютам сигнализирует о системном стрессе. Для исследователей: расширьте эту структуру на криптовалюты, которые демонстрируют экстремальную асимметрию, и на межактивные перетоки (например, от валют к акциям). Методология созрела для улучшений с помощью машинного обучения — используйте сети LSTM для прогнозирования асимметричных перетоков в реальном времени. Наконец, регуляторам следует рассмотреть асимметричную взаимосвязь в качестве макропруденциального инструмента; статья показывает, что плохие перетоки достигают пика перед крупными кризисами, предлагая потенциальный опережающий индикатор.