Анализ спецификаций и тесты, Анализ стандартной спецификации на примере модели Wong, Mariscal, Howells - Объяснение поведения спрэда между Европейской межбанковской ставкой предложения и ставкой индексного свопа овернайт

Я собираюсь проанализировать спецификации двух видов. Первая - стандартная спецификация spread = credit risk + liquidity risk, которой следует большинство авторов. Вторая - тезисная спецификация spread = credit risk + liquidity risk + market risk. Для анализа всех спецификаций и уравнений я использовал программу STATA 13 версии. Я использую дневные данные, которые доступны в базе данных Bloomberg нерасширенной версии.

Анализ стандартной спецификации на примере модели Wong, Mariscal, Howells

Для начала, я анализирую первую спецификацию, предложенную Wong, Mariscal, Howells. "Классическое" для этой проблемы разделение спрэда EURIBOR-OIS на кредитный риск и ликвидный риск объясняется переменными EURIBOR-Repo и Repo-OIS соответственно. Первая часть ассоциируется с кредитным риск, так как это разница между необеспеченным займом и контрактом купли (продажи) ценных бумаг с последующей продажей (покупкой) оных. Данный контракт по сути является займом под залог ценных бумаг, то есть он обеспечен. Зачастую залогом является высококачественные облигации( суверенные и корпоративные) и высоколиквидные акции ( в основном голубые фишки). REPO-OIS, подразумевается, определяет риск ликвидности, благодаря риск-менеджмента прочих операционных и правовых рисков осуществляемым дилерами РЕПО. Для начала я регрессирую EURIBOR-OIS спрэд (далее EOIS) EURIBOR-Repo и Repo-OIS (Euriborrepo и repoois соответственно). Полученные результаты приведены ниже:

Полученные результаты подразумевают положительное объяснение спрэда EOIS двумя риск-прокси. Спрэд имеет отображение в формате 0.000%. Стоит обратить внимание, на экстремальные тестовые статистики, а также довольно экстремальный коэффициент детерминации R2. Наиболее вероятной причиной таких выходных данных может являться наличие мультиколлинеарности, а также нестационарность рядов Euriborrepo и repoois.

Мультиколлинеарность - это феномен корреляции объясняющих переменных в регрессионном анализе. Наличие мультиколлинеарности ведет, к ошибочным оценкам коэффициентов при объясняющей переменной, при этом сами коэффициенты остаются несмещенными. В изучении финансовых рынков мультиколлинеарность довольно частый феномен, который характерен для многих финансовых индексов и показателей (Dougherty, introduction to econometrics 2007). Анализировать или не анализировать переменные и их влияние при условии мультиколлинеарности - решение каждого конкретного аналитика, но для более четкого анализа следует избегать подобного явления.

Стационарность рядов - важнейшее понятие в анализе временных рядов. Стационарным рядом называется такой ряд, характеристики которого не зависят от времени. Нестационарный ряд характеризуется зависимостью своих характеристик от времени. Анализ данных с использованием нестационарных рядов может привести к ложным регрессиям. Ложные регрессии могу выдавать значимые коэффициенты для объясняющих переменных, хотя последние не имеют ничего общего с зависимой переменной. Довольно большое количество финансовых рядов являются нестационарными. Различают разностную и трендовую стационарность. Чтобы трансформировать ряды из нестационарных в стационарные используются две соответствующие техники. Первая - взятие разностей для разностной стационарности. Вторая - детрендизация ряда.

Возвращаясь к первой спецификации, я применяю процедуру взятие разностей для факторов регрессии. Получаю три стационарных ряда(см. приложение) Первый deois = eoist-eoist-1. Второй deuriborrepo = Euriborrepo-Euriborrepo-1. Третий drepoois =repoeoist-repooist-1.

Регрессируя полученные разностные переменные, мы получаем:

Для устранения последствий автокорреляции для стандартных ошибок, я использую функцию robust, которая учитывает автокорреляцию в стандартных ошибках. Как видно ниже коэффициенты остались теми же, но стандартные ошибки изменились, что в свою очередь меняет наши тестовые статистики.

В дальнейшем я буду всегда использовать функцию robust.

Обе риск-прокси являются значимыми на 5% уровне значимости. Качество регрессии, должно улучшиться, так как мы используем стационарные ряды, выраженные в разностях объясняющих переменных, которые в свою очередь коррелируют в два раза меньше чем предыдущие факторы (Приложение 4). Вдобавок, функция robust позволяет нам более качественно оценить значимость коэффициентов.

Похожие статьи




Анализ спецификаций и тесты, Анализ стандартной спецификации на примере модели Wong, Mariscal, Howells - Объяснение поведения спрэда между Европейской межбанковской ставкой предложения и ставкой индексного свопа овернайт

Предыдущая | Следующая