یک سیگنال مثبت برای آینده بازار سهام

هشدار یوگی بررا ، "انجام پیش بینی ها ، به ویژه در مورد آینده" دشوار است ، در مورد بسیاری از انواع پیش آگهی اعمال می شود ، اما به ویژه برای پیش بینی بازار سهام مناسب است. پیش بینی های بازار سهام بسیار دشوار است و نه به دلیل عدم تلاش لژیون های سرمایه گذاران ، مفسران بازار و دانشگاهیان. در این مقاله ، ما بررسی می کنیم که آیا می توان با استفاده از اطلاعات تعبیه شده در قیمت گزینه ها ، تلاش برای پیش بینی تصادفات بازار سهام را انجام داد.

طبیعی است که تصور کنیم قیمت گزینه ها ممکن است برای پیش بینی تصادفات مفید باشد ، با توجه به سابقه طولانی در استفاده از قیمت گزینه ها به عنوان شاخص های احساسات سرمایه گذار و عدم اطمینان در مورد چشم انداز قیمت دارایی های مالی. شاید متداول ترین شاخص قیمت گزینه ها VIX باشد ، میانگین وزنی قیمت گزینه ها در شاخص S& P 500 که توسط مبادله گزینه های هیئت مدیره شیکاگو محاسبه می شود. VIX به دلیل تمایل به شلیک در دوره های استرس بازار ، اغلب به عنوان "سنج ترس از بازار" گفته می شود. همانطور که در شکل 1 نشان داده شده است ، VIX به طور متوسط ، به طور متوسط در بازارهای خرس ، مناطق سایه دار بالاتر است. البته این بدان معنا نیست که سطح بالایی از بازارهای پیش بینی شاخص VIX پیش بینی می شود. افسوس ، افزایش در VIX بیشتر با کاهش قیمت سهام همزمان می شود. با این حال ، به نظر می رسد که VIX به عنوان یک پیش بینی آماری از نوسانات بازار آینده ، بزرگی نوسانات قیمت سهام ، چه از بالا و چه پایین ، تا حدودی مفید است. 2

شکل 1: VIX: "سنج ترس"

البته ، فراتر از نوسانات ، اطلاعات مربوط به احتمال کاهش سهام بزرگ به طور طبیعی مورد توجه شرکت کنندگان و ناظران بازار است. شاید جای تعجب آور نباشد که سایر شاخص ها ، همچنین بر اساس قیمت گزینه ها ، به طور خاص برای تمرکز بر انتظارات مربوط به تصادفات بازار سهام توسعه یافته اند. به طور خاص ، برخی از تحلیلگران به اصطلاح "احتمالات مورد نظر برای گزینه" یا OIP ها ، کاهش بازار سهام بزرگ را محاسبه می کنند.

1. در صورتی که S& P 500 10 درصد یا بیشتر باشد ، یک گزینه باینری 1 دلار پرداخت می کند. در غیر این صورت ، هیچ چیزی نمی پردازد.
2. قیمت بازار این گزینه 2 سنت است.
3. سپس ، احتمال "گزینه) (OIP) یک تصادف 10 درصدی یا بدتر به عنوان 2 درصد تعریف می شود.
4. در عمل ، ما OIP ها را از تماس های استاندارد و قرار می دهیم.
5. هیچ تضمینی وجود ندارد که OIP ها به طور دقیق احتمال واقعی را منعکس کنند.

توجه: در این مثال ، نرخ بازده اوراق بدون ریسک صفر فرض می شود.

شکل 2 توضیح می دهد که چگونه ، در اصل ، از قیمت های گزینه برای محاسبه OIP سقوط بازار سهام استفاده می شود. گزینه "باینری" را در نظر بگیرید که در صورت کاهش S& P 500 با 10 درصد یا بیشتر در طی ماه آینده ، 1. 00 دلار پرداخت می کند و در غیر این صورت چیزی نمی پردازد و نوعی بیمه در برابر ضرر و زیان ارائه می دهد. اگر قیمت بازار این گزینه 2 سنت باشد ، احتمالاً احتمال "گزینه ای" یا OIP از تصادف 10 درصدی یا بدتر به عنوان 2 درصد تعریف می شود (قیمت دو درصد تقسیم شده توسط بازپرداخت 1 دلار در صورت تصادفاتفاق می افتد)در عمل ، ما به طور مستقیم بسیاری از این گزینه های باینری را مشاهده نمی کنیم ، اما هنوز هم می توانیم OIP ها را از قیمت تماس استاندارد منعکس کنیم و گزینه هایی را که در فهرست S& P 500 تجارت می کنند ، قرار دهیم.

برای مشخصات ، خط آبی نقطه ای در شکل 3 یک سری زمانی تاریخی ماهانه از OIP را برای کاهش 7 درصد یا بدتر در شاخص S& P 500 در ماه آینده نشان می دهد. خطوط عمودی ماههایی را نشان می دهد که S& P 500 با 7 درصد یا بیشتر سقوط کرد ، که در این نمونه در حدود 5 درصد از ماه ها رخ داده است. مشاهده می شود که OIP تمایل به افزایش در دوره هایی دارد که طی آن تصادفات بیشتر بوده است ، مانند اوایل دهه 2000 و در بحران مالی اخیر. این گرایش امیدوار است که OIP ممکن است برای پیش بینی تصادفات مفید باشد. گفته می شود ، دوره های نسبتاً طولانی نیز وجود دارد-مانند سال 1996 تا 1997-که OIP بالا رفته و هنوز تصادفاتی رخ نداد.

باقیمانده این مقاله با هدف آزمایش رسمی تر است که آیا این OIP ها در پیش بینی تصادفات بازار سهام ایالات متحده طی 25 سال گذشته مفید بوده اند. 3 برای پیش نمایش نتیجه گیری های ما ، ابتدا می دانیم که OIP ها پیش بینی کننده های بالایی هستند ، به این ترتیب که آنها تمایل دارند تصادفات بیشتری را از آنچه اتفاق افتاده پیش بینی می کنند (یادآوری شوخی درباره اقتصاددانان پیش بینی هشت مورد از دو رکود اخیر). دوم ، ما می دانیم که OIP ها می توانند به پیش بینی تصادفات ، در حاشیه کمک کنند ، اما از آنها در رابطه با سایر متغیرهای پیش بینی استفاده می شود. در آخر ، اما شاید حداقل تعجب آور ، متوجه می شویم که تصادفات بازار سهام حتی با استفاده از بهترین مدل ها ، حداقل در بین مواردی که ما در نظر گرفتیم ، بسیار دشوار است.

• شرکت کنندگان در بازار از ریسک پذیر هستند و قیمت گزینه های محافظت شده در برابر کاهش ثروت را پیشنهاد می کنند.
• مردم تعصب ذهنی و احتمالات بیش از حد تخمین زده شده از وقایع نادر را نشان می دهند.
• با این وجود ، تغییر زمان در OIP ممکن است برای پیش بینی تصادفات مفید باشد.

ما با برخی از آمار توصیفی ساده شروع می کنیم. در شکل 4 ، میانگین میانگین بلند مدت OIP برای تصادف 7 درصدی توسط نوار هاشز آبی حدود 10 درصد نشان داده شده است. این تقریباً دو برابر فرکانس است که با آن تصادفات از سال 1990 رخ داده است ، که توسط نوار آبی جامد حدود 5-1/2 درصد نشان داده شده است. این واگرایی نشان می دهد که OIP به طور متوسط یک پیش بینی کننده به سمت بالا مغرضانه از تصادفات است. OIP برای تصادفات بزرگتر در بورس سهام-سایر میله های جوجه دار-به طور متوسط نیز به طور قابل توجهی بالاتر از فرکانس های تاریخی مربوطه (سایر میله های جامد) هستند.

شکل 5 دو توضیح در مورد اینکه چرا OIP ها تمایل به بیش از حد احتمالات دنیای واقعی دارند ، ذکر شده است. اول ، شرکت کنندگان در بازار ممکن است از ریسک خودداری کنند و بنابراین قیمت گزینه هایی را ارائه می دهند که در برابر کاهش در ثروت بازار سهام خود بالاتر از ارزش عادلانه از نظر عادلانه خود محافظت می کنند. دوم ، برخی از تحقیقات نشان می دهد که در برخی شرایط ، مردم یک تعصب ذهنی را نشان می دهند به گونه ای که تمایل به ارزیابی بیش از حد احتمالات برای وقایع نادر ، به ویژه مواردی که برای وقایع نادر چشمگیر ، مانند بازده شدید بورس است. با این وجود ، حتی اگر به نظر می رسد سطح متوسط OIP ها به سمت بالا مغرضانه است ، ممکن است تغییر زمان در OIP ها هنوز هم برای پیش بینی تصادفات مفید باشد. به عنوان مثال ، یک سطح بالاتر از متوسط OIP ها ممکن است احتمال واقعی بالاتر از متوسط سقوط در ماه آینده را نشان دهد.

• مدل آماری
  • احتمال بازده احتمالی = توابع متغیرهای پیش بینی
  • "فقط OIP": احتمالات گزینه ای به تنهایی
  • "کلان": بدون OIPS. در عوض: شاخص های چرخه بازار و بازار مالی*
  • "کامل": شاخص های OIPS و ماکرو

  توجه: نشانگرهای بازار مالی شامل نسبت قیمت درآمدی برای S& P 500 و نیمه متغیرهای مثبت و منفی اخیر بازده هستند. شاخص های چرخه تجارت شامل نرخ بیکاری و تورم است.

  شکل 6 استراتژی ما را برای پاسخ به این سؤال تشریح می کند: آیا می توان از متغیر زمانی در سطح OIP ها برای کمک به پیش بینی تصادفات استفاده کرد؟ما این فرضیه را در زمینه دو مدل آماری که اخیراً توسعه یافته اند آزمایش کردیم. 4 ، 5 هر دو مدل به ما اجازه می دهند تا برای هر ماه در نمونه تخمین بزنیم ، احتمال بازگشت همه بازار سهام ممکن در ماه آینده ، از جمله احتمال تصادفات ، به عنوان کارکردهای متغیرهای پیش بینی.

  برای آزمایش ارزش نسبی OIP ها برای پیش بینی خرابی ها، ما سه ویژگی جایگزین مدل را با استفاده از مجموعه های مختلف متغیرهای پیش بینی برآورد می کنیم. اولین مشخصات، "فقط OIP"، خرابی ها را با استفاده از OIP ها به عنوان متغیرهای پیش بینی به تنهایی پیش بینی می کند. مشخصات دوم با برچسب "ماکرو" از OIP استفاده نمی کند. در عوض، پیش بینی های آن بر سایر متغیرهای کلان اقتصادی از جمله شاخص های بازار مالی و چرخه تجاری متکی است. در نهایت، مشخصات "کامل" با استفاده از OIP ها و همه متغیرهای کلان اقتصادی، پیش بینی ها را تولید می کند.

  پس از تخمین هر سه مشخصات، اقدام به آزمایش کردیم که کدام یک بهترین عملکرد را دارد. ما در شکل 7، با در نظر گرفتن تمایل هر مدل به "مثبت های کاذب" شروع می کنیم، که منظور ما مواردی است که احتمال پیش بینی شده نسبتاً زیاد است، اما در واقع هیچ تصادفی رخ نمی دهد. بنابراین ما به پیش بینی مدل در ماه های قبل از عدم سقوط نگاه می کنیم. برای این تست جهت عملکرد بهتر این است که پیش بینی کمتری داشته باشیم. هر میله جامد محدوده احتمالات بین ربعی را نشان می دهد که با سه مشخصات نشان داده شده است و سبیل ها 80 درصد فواصل اطمینان را نشان می دهند. برای مقایسه، خط افقی میانگین تاریخی بلندمدت فراوانی این تصادفات را نشان می دهد. هر سه مشخصات عموماً احتمالات کمتر از حد متوسط را تولید می کنند. تفاوت ها در میان پیش بینی ها زیاد نیست، اما مدل «ماکرو» که به رنگ آبی نشان داده شده است و نسخه «فول» به رنگ صورتی، کمی بهتر از مدل «فقط OIP» در خاکستری عمل می کند.

  با حرکت به سمت راست، در شکل 8، میزان تمایل این سه مدل به تولید "مثبت های واقعی" را گزارش می کنیم، که منظور ما مواردی است که احتمال پیش بینی شده نسبتاً زیاد است قبل از ماه هایی که در آن تصادفات واقعاً رخ داده اند. محدوده احتمالات نشان داده شده توسط هر مدل در ماه های قبل از سقوط ترسیم شده است. در این صورت جهت عملکرد بهتر مثبت است. جای تعجب نیست که هر سه مشخصات فقط توانایی اندکی را برای هشدار صحیح درباره تصادف قریب الوقوع نشان می دهند. با این حال، هر سه مشخصات معمولاً ریسک بالایی را نشان می دهند. در حاشیه، مشخصات "کامل"، به رنگ صورتی، بهترین عملکرد را دارد، با بالاترین محدوده پیش بینی.

  به طور کلی ، تست های آماری رسمی ، که در اینجا ارائه نشده است ، که عملکرد سه مدل را در تمام دوره ها در نظر می گیرد ، همچنین نشان می دهد که پیش بینی مدل "کامل" بهترین از این سه است. 6 بر اساس این نتایج ، ما از برآوردهای مشخصات "کامل" زیر به عنوان "احتمالات تصادف برآورد شده با مدل" استفاده می کنیم. اکنون ما این مدل های مدل از احتمالات تصادف را با داده های OIP خام مقایسه می کنیم. هدف از این تمرین ، به دست آوردن بینشی در مورد چگونگی مقایسه حرکات در OIP با موارد احتمال تخمین زده شده از مدل است.

  شکل 9 توطئه ها ، به رنگ آبی جامد ، احتمال تخمین زده شده از مدل تاریخی از سقوط از "مدل کامل" ، و احتمالات مورد نظر گزینه و وقایع واقعی تصادف را دوباره ترسیم می کند. این دو سری بسیار با همبستگی هستند ، نشان می دهد که OIP ها اطلاعاتی در مورد احتمال دنیای واقعی یک تصادف دارند. با این حال ، همانطور که انتظار می رود ، OIP ها قابل اعتماد بالاتر از تخمین مدل هستند. علاوه بر این ، OIP تخمین های مدل شده توسط بزرگترین حاشیه ها را در ماه ها پس از تصادفات واقعی اغراق می کند. به عنوان مثال ، در ماه اول پس از تصادف ، میانگین سطح شکاف بین OIP و احتمال تخمین مدل تصادف تقریباً دو برابر میانگین طولانی مدت آن است.

  شکل 10 نتایج مشابهی را برای سطح تصادف شدیدتر ، تصادف 10 درصدی یا بدتر نشان می دهد. همانطور که توسط خطوط عمودی نشان داده شده است ، تصادفات بزرگتر به احتمال زیاد "اعتصاب از آبی" هستند - یعنی پیش بینی بسیار دشوار است. علاوه بر این ، احتمالات برآورد شده با مدل تصادفات بزرگ به طور کلی فقط برای دوره های کوتاه بالا می روند ، مگر در دوره های آشفتگی شدید. در مقابل ، OIP ها به طور متوسط دوباره بالاتر هستند و برای تنظیم پایین تر آهسته تر هستند ، باز هم احتمالاً منعکس کننده این است که از ریسک ریسک سرمایه گذار کند می شود.

  به طور خلاصه ، به نظر می رسد OIP ها برای افزایش دقت برخی از مدل های طراحی شده برای پیش بینی تصادفات تا حدودی مفید هستند ، اما استفاده از آنها برای این منظور نیاز به کنترل تعصب رو به بالا از OIP ها و درج سایر شاخص های بازار کلان اقتصادی و مالی در ساخت است. پیش بینی ها ، حداقل در زمینه مدل هایی که ما در نظر گرفتیم. با این حال ، یک نتیجه مهم از این تحقیق ، و از بسیاری از مطالعات دیگر ، این است که میزان بسیار زیادی از فروتنی برای کسانی که تلاش می کنند پیش بینی تصادفات بازار سهام را داشته باشند.

  1. نظرات بیان شده در این سند بیانگر دیدگاه های سیستم فدرال رزرو، شورای حکام یا کارکنان آن نیست. این مقاله از کمک های الکس زنتفیس و میهیر قندی بهره فراوان برد. بازگشت به متن

  2. برای مثال نگاه کنید به Ser-Huang Poon and Clive W. J. Granger (2005)، "Practical Issues in Forecasting Volatility," Financial Analysts Joual, vol. 61، ص 45-56. بازگشت به متن

  3. بخش قابل توجهی از ادبیات دانشگاهی نیز محتوای پیش بینی کننده قیمت گزینه ها را برای پدیده های مختلف مالی و اقتصاد کلان در نظر گرفته اند. برای خلاصه، به عنوان مثال، پیتر کریستوفرسن، کریس جاکوبز، و بو یانگ چانگ (2013)، "پیش بینی با اطلاعات ضمنی گزینه" در گراهام الیوت و آلن تیمرمن، ویرایش ها، کتابچه راهنمای پیش بینی اقتصادی، جلد 2 مراجعه کنید.، صص 581-656 و مراجع در آن. بازگشت به متن

  4. هالبرت وایت، ته هوان کیم، و سیمون مانگانلی (2010)، "مدل سازی خودبازگشتی شرطی چولگی و کورتوز با چند کوانتیلی CAViaR" در تیمبولرسلو، جفری آر. راسل، و مارک واتسون، ویراستاران، سری نوسانات و زماناقتصاد سنجی: مقالاتی به افتخار رابرت اف انگل. بازگشت به متن

  5. گیرت بکارت، اریک انگستروم و آندری ارمولوف (2014)، "محیط های بد، محیط های خوب: مدل نوسان نامتقارن غیر گاوسی."موجود در SSRN: http://ss.com/abstract=2296898 یا http://dx. doi.org/10. 2139/ss. 2296898 بازگشت به متن

  6. علاوه بر این، در یک تمرین خارج از نمونه، ما پارامترهای مدل "کامل" را با استفاده از داده ها تنها تا سال 2006 دوباره تخمین زدیم. سپس عملکرد مدل را تحت این تخمین محدود بعداً بر روی داده های سال 2007 تا کنون آزمایش کردیم.. هیچ بدتر شدن قابل توجهی در عملکرد در دوره خارج از نمونه از نظر "مثبت کاذب" یا "مثبت واقعی" نسبت به مدل با استفاده از پارامترهای برآورد شده در طول دوره نمونه کامل وجود نداشت. بازگشت به متن

  لطفا به این صورت استناد کنید:

  انگستروم، اریک (2014). FEDS یادداشت می کند: «پیش بینی سقوط های بازار سهام سخت است - به ویژه موارد آینده: آیا قیمت های گزینه می تواند کمک کند؟»واشنگتن: شورای حکام سیستم فدرال رزرو، 07 مه 2014. https://doi.org/10. 17016/2380-7172. 0017

  سلب مسئولیت: یادداشت های FEDS مقالاتی هستند که در آن اقتصاددانان هیئت مدیره دیدگاه های خود را ارائه می کنند و تحلیل هایی را در مورد طیف وسیعی از موضوعات در اقتصاد و امور مالی ارائه می کنند. این مقالات کوتاه تر و از نظر فنی کمتر از مقالات FEDS کار می کنند.