Κίνδυνος και εποχικότητα στις χρηματιστηριακές αγορές.

Abstract

Η παρούσα μελέτη εξετάζει τον κίνδυνο και την εποχικότητα που παρουσιάζονται στις χρηματιστηριακές τιμές, μέσω μοντέλων εκτίμησης της μεταβλητότητας και των αποδόσεων. Συγκεκριμένα, η έρευνα πραγματοποιείται σε κυρίαρχους χρηματιστηριακούς δείκτες και δείκτες μεταβλητότητας των μεγαλύτερων χρηματιστηριακών αγορών του κόσμου, όπως της Ασίας, του Ηνωμένου Βασιλείου και των ΗΠΑ, την περίοδο 2000 έως και 2020. Η εκτίμηση των αποδόσεων στους χρηματιστηριακούς δείκτες, συμβάλλει επίσης στην εκτίμηση του κινδύνου των υπεραποδόσεων που επαναλαμβάνονται μέσα σε ένα έτος. Τα ημερολογιακά φαινόμενα όπως το φαινόμενο του Ιανουαρίου «January effect» και το φαινόμενο της Δευτέρας «Monday effect» αποτελούν από τις βασικές εποχιακές ανωμαλίες που παρουσιάζονται στις χρηματιστηριακές αγορές και εξετάζονται από πολλούς ερευνητές. Έτσι μέσω της εφαρμογής εξισώσεων παλινδρόμησης εκτιμώνται οι αποδόσεις που εμφανίζονται τους αντίστοιχους μήνες και ημέρες της εβδομάδας στο συνολικό δείγμα και στα δείγματα πριν και μετά την κρίση. Έπειτα διενεργείται ο έλεγχος των αποδόσεων μέσω αυτοπαλίνδρομων μοντέλων AR(1)-GARCH(1,1), όπου εκτιμάται η διακύμανση της απόδοσης της τρέχουσας τιμής βασίζοντας σε παρελθοντικές προβλέψεις. Τέλος, αναλύονται τα ευρήματα στο σύνολο του δείγματος της απλής εξίσωσης παλινδρόμησης και του μοντέλου AR(1)-GARCH(1,1) και συγκρίνονται με τα αποτελέσματα υπαρχουσών ερευνών.

The present study examines the risk and seasonality presented in stock prices through volatility and returns estimation models. Specifically, the research is conducted on dominant stock indices and volatility indices of the world's largest stock markets, such as Asia, the United Kingdom and the United States, from 2000 to 2020. The estimation of returns on stock indices also contributes to the assessment of the risk of over-returns that are repeated within a year. Calendar effects such as the January and Monday effect are the major seasonal anomalies in the stock markets and are being explored by many researchers. Thus, through the application of regression equations, are estimated the returns that appear on the respective months and days of the week in the total sample and in the samples before and after the crisis. Thereafter, the performance is checked by means of Autoregressive models, AR (1) -GARCH (1,1), where estimated the variation of the current price performance based on past forecasts. Finally, the findings in the whole sample of the simple regression equation and the model AR(1) -GARCH(1,1) are analyzed and compared with the results of existing surveys.