Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Bonaccolto, Giovanni (2016) Quantile regression methods in economics and finance. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF (TESI DI DOTTORATO)
3897Kb

Abstract (inglese)

In the recent years, quantile regression methods have attracted relevant interest in the statistical and econometric literature. This phenomenon is due to the advantages arising from the quantile regression approach, mainly the robustness of the results and the possibility to analyse several quantiles of a given random variable. Such as features are particularly appealing in the context of economic and financial data, where extreme events assume critical importance. The present thesis is based on quantile regression, with focus on the economic and financial environment. First of all, we propose new approaches in developing asset allocation strategies on the basis of quantile regression and regularization techniques. It is well known that quantile regression model minimizes the portfolio extreme risk, whenever the attention is placed on the estimation of the response variable left quantiles. We show that, by considering the entire conditional distribution of the dependent variable, it is possible to optimize different risk and performance indicators. In particular, we introduce a risk-adjusted profitability measure, useful in evaluating financial portfolios under a pessimistic perspective, since the reward contribution is net of the most favorable outcomes. Moreover, as we consider large portfolios, we also cope with the dimensionality issue by introducing an l1-norm penalty on the assets weights. Secondly, we focus on the determinants of equity risk and their forecasting implications. Several market and macro-level variables influence the evolution of equity risk in addition to the well-known volatility persistence. However, the impact of those covariates might change depending on the risk level, being different between low and high volatility states. By combining equity risk estimates, obtained from the Realized Range Volatility, corrected for microstructure noise and jumps, and quantile regression methods, we evaluate, in a forecasting perspective, the impact of the equity risk determinants in different volatility states and, without distributional assumptions on the realized range innovations, we recover both the points and the conditional distribution forecasts. In addition, we analyse how the relationships among the involved variables evolve over time, through a rolling window procedure. The results show evidence of the selected variables' relevant impacts and, particularly during periods of market stress, highlight heterogeneous effects across quantiles. Finally, we study the dynamic impact of uncertainty in causing and forecasting the distribution of oil returns and risk. We analyse the relevance of recently developed news-based measures of economic policy uncertainty and equity market uncertainty in causing and predicting the conditional quantiles and distribution of the crude oil variations, defined both as returns and squared returns. For this purpose, on the one hand, we study the causality relations in quantiles through a non-parametric testing method; on the other hand, we forecast the conditional distribution on the basis of the quantile regression approach and the predictive accuracy is evaluated by means of several suitable tests. Given the presence of structural breaks over time, we implement a rolling window procedure to capture the dynamic relations among the variables.

Abstract (italiano)

Negli ultimi anni, la regressione quantile ha suscitato un notevole interesse nella letteratura statistica ed econometrica. Tale fenomeno è dovuto ai vantaggi derivanti dalla regressione quantile, in particolare, la robustezza dei risultati e la possibilità di analizzare differenti quantili di una certa variabile casuale. Tali caratteristiche sono particolarmente rilevanti nel contesto di dati economici e finanziari, data la cruciale rilevanza di eventi estremi. Innanzitutto, la tesi introduce approcci innovativi per la definizione di strategie di "asset allocation" sulla base di modelli di regressione quantile penalizzati. Come noto in letteratura, la regressione quantile minimizza il rischio estremo di portafoglio, nel momento in cui ci si focalizza sulla coda sinistra della distribuzione della variabile di risposta. Nella presente tesi si dimostra che, considerando l'intera distribuzione, è possibile ottimizzare diversi indicatori di performance e di rischiosità. In particolare, si introduce una nuova misura di performance aggiustata per il rischio, utile a valutare i portafogli finanziari in ottica pessimista. Inoltre, si dimostra che l'introduzione di una "l1-norm penalty" sui pesi dei titoli implica vantaggi non indifferenti su portafogli di notevoli dimensioni. In secondo luogo, la tesi analizza i fattori determinanti del rischio sul mercato azionario, con particolare enfasi sulle loro implicazioni previsionali. Dalla combinazione delle stime di volatilità realizzata di tipo "range-based", corrette per "noise" microstrutturali e "jumps", e modelli di regressione quantile, è possibile valutare, in ottica previsionale, l'impatto dei fattori determinanti del rischio in diversi stati del mercato e, senza assunzioni sulle innovazioni dei "realized range", ottenere le previsioni sia puntuali che sull'intera distribuzione. Inoltre, l'implementazione di una procedura a finestre mobili consente di analizzare l'evoluzione nel tempo delle relazioni tra le variabili d'interesse. Infine, l'ultimo aspetto trattato dalla tesi riguarda l'impatto dinamico dell'incertezza nel causare e prevedere la distribuzione dei rendimenti e del rischio del mercato petrolifero. L'attenzione è posta sull'impatto di due indici di tipo "news-based", recentemente elaborati, che misurano l'incertezza, rispettivamente, sulla politica economica e sui mercati azionari nel causare e prevedere le dinamiche del mercato petrolifero. A tale scopo, da un lato, la tesi esplora le relazioni di causalità nei quantili utilizzando un test non parametrico; dall'altro, la distribuzione condizionata è prevista sulla base di modelli di regressione quantile. La capacità previsionale dell'approccio adottato è valutata mediante differenti test. Data la presenza di break strutturali nel tempo, una procedura a finestre mobili è utilizzata al fine di catturare le dinamiche nei modelli proposti.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Caporin, Massimiliano
Correlatore:Paterlini , Sandra
Dottorato (corsi e scuole):Ciclo 28 > Scuole 28 > SCIENZE STATISTICHE
Data di deposito della tesi:27 Gennaio 2016
Anno di Pubblicazione:27 Gennaio 2016
Parole chiave (italiano / inglese):Quantile Regression, l1-norm penalty, pessimistic asset allocation, Realized Range Volatility, Volatility quantiles and density forecasting, Granger Causality in Quantiles, Forecast of Oil Distribution.
Settori scientifico-disciplinari MIUR:Area 13 - Scienze economiche e statistiche > SECS-S/01 Statistica
Struttura di riferimento:Dipartimenti > Dipartimento di Scienze Statistiche
Codice ID:9181
Depositato il:24 Ott 2016 14:49
Simple Metadata
Full Metadata
EndNote Format

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record