پیش‌بینی نوسانات بلند مدت بازار سهام: مدل GARCH – MIDAS با انتخاب متغیر

ما یک مدل GARCH – MIDAS را با مولفه‌های بی‌ثباتی کوتاه‌مدت و بلند مدت در نظر می‌گیریم، که در آن مولفه بی‌ثباتی بلند مدت به بسیاری از متغیرهای اقتصاد کلان و مالی بستگی دارد. ما متغیرهایی را انتخاب می‌کنیم که بیش‌ترین تاثیر را بر بی‌ثباتی بازار سهام بلند مدت از طریق به حداکثر رساندن تابع لگاریتم – درست نمایی تاوانیده شده با مجازات انطباقی – لاسو دارند. مدل GARCH – MIDAS با انتخاب متغیر ما را قادر می‌سازد تا متغیرهای زیادی را در یک مدل واحد بدون برآورد تعداد زیادی از پارامترها ترکیب کنیم. در تحلیل تجربی، سه متغیر (‏یعنی مسکن شروع می‌شود، گسترش پیش‌فرض و نوسانات تحقق یافته)‏از مجموعه بزرگی از متغیرهای اقتصادی کلان و مالی انتخاب می‌شوند. ارزیابی بازگشتی پیش‌بینی خارج از نمونه نشان می‌دهد که انتخاب متغیر به طور قابل‌توجهی توانایی پیش‌بینی مدل GARCH – MIDAS را برای نوسانات بلند مدت بازار سهام بهبود می‌بخشد.

Highlights•We propose a GARCH-MIDAS model with variable selection.•Adaptive-lasso penalty is employed in the log-likelihood function.•Housing starts, default spread and realized volatility are selected.•Realized volatility is the most powerful predictor of stock market volatility.•GARCH-MIDAS model with variable selection successfully reveals the best predictor.AbstractWe consider a GARCH-MIDAS model with short-term and long-term volatility components, in which the long-term volatility component depends on many macroeconomic and financial variables. We select the variables that exhibit the strongest effects on the long-term stock market volatility via maximizing the penalized log-likelihood function with an Adaptive-Lasso penalty. The GARCH-MIDAS model with variable selection enables us to incorporate many variables in a single model without estimating a large number of parameters. In the empirical analysis, three variables (namely, housing starts, default spread and realized volatilit