Cenu děkana za vynikající disertační práci získal v září absolvent doktorského studia na ECON MUNI Daniel Stašek. Ve svém výzkumu zaměřeném na predikci volatility prokázal, že spolehlivějších výsledků lze dosáhnout sofistikovanou kombinací stovek modelů. Do prediktivních modelů je také vhodné zahrnout ukazatele tržní likvidity a zohlednit, že podhodnocení volatility je nákladnější než její nadhodnocení. Výsledkem jsou realističtější a ekonomicky přesnější predikce.
Vaše disertační práce se zabývá predikcí volatility. V čem konkrétně spočívá její přínos, k již existující literatuře?
Volatilita, tedy míra nejistoty spojená s vývojem cen, hraje klíčovou roli například při oceňování finančních derivátů, řízení rizik či samotném investičním rozhodování. Pokud dokážeme tuto proměnnou přesněji predikovat, můžeme například efektivněji řídit rizika spojená s investicemi.
Proto se téma mojí disertace soustředí na zlepšení přesnosti těchto predikcí, a to prostřednictvím tří různých, ale navzájem propojených přístupů. Ve všech třech studiích se podařilo docílit zlepšení predikcí vůči standardním modelům.
V první studii jste testoval inovativní metody pro zvýšení přesnosti predikce na klíčových tržních indexech. Můžete přiblížit, o jaké metody šlo a čím jsou inovativní?
Využili jsme takzvané ansámblové modely. Ty nespoléhají na jediný nejlepší model, ale kombinují stovky různých variant. Výběr proměnných do jednotlivých modelů probíhá metodou úplné podmnožiny, přičemž vzniklé modely predikují buď samotnou volatilitu, nebo její pravděpodobnostní rozdělení. Každý model získává váhu podle své minulé výkonnosti a výsledná predikce je váženým průměrem všech modelů. Díky tomu je náš přístup odolnější vůči extrémním výkyvům i změnám v procesu generování dat. V praxi tak odpadá problém s výběrem jednoho „nejlepšího“ modelu.
K jakým výsledkům jste v této studii dospěl? Potvrdila se lepší výkonnost ansámblových modelů oproti jednodušším přístupům?
Ano, výsledky ukázaly, že naše ansámblové modely předpovídají volatilitu přesněji než tradiční přístupy. U krátkodobých predikcí byly rozdíly menší, ale s prodlužováním časového horizontu se výhoda ansámblových přístupů výrazně zvyšovala. To naznačuje, že tyto modely umí lépe zachytit dlouhodobější dynamiku volatility.
V rámci studie jsme rovněž porovnali dva typy ansámblových modelů lišící se jejich složitostí. Ukázalo se, že složitější varianta, využívající predikci celého pravděpodobnostního rozdělení, není výrazně přesnější než ta jednodušší, která predikuje samotnou volatilitu. Pro praktické použití tak často postačí jednodušší a výpočetně méně náročný model.
Druhá studie rozšiřuje modely volatility o proměnné spojené s tržní likviditou. K jakým závěrům jste dospěl a které zjištění vás osobně nejvíce zaujalo?
Ve druhé studii jsme analyzovali prediktivní sílu 25 různých ukazatelů likvidity. Nejsilnějším prediktorem budoucí volatility se ukázal rozdíl mezi nabídkovou a poptávkovou cenou, tzv. kotovaný spread. Ten odráží očekávání tvůrců trhu o budoucí nejistotě. Pokud jsou tato očekávání správná, náš model díky nim dosahuje vyšší přesnosti predikcí. Tato informační hodnota přitom zůstává významná i po zohlednění dalších proměnných, například indexu VIX známého jako „index strachu“.
Zaujalo mě, že prediktivní schopnost ukazatelů likvidity se mění v závislosti na objemu obchodů, velikosti kotovaného spreadu a úrovni tržní nejistoty. Ukazatele likvidity fungují nejlépe u méně obchodovaných akcií s relativně větším rozdílem mezi nabídkovou a poptávkovou cenou, a to hlavně v době zvýšené tržní nejistoty.
Třetí studie se zaměřuje na asymetrické ztrátové funkce v ekonomickém rozhodování. Co vás vedlo k tomuto zaměření a v čem spočívá výhoda asymetrického modelu?
Již v roce 1969 upozornil Clive Granger, že v ekonomických aplikacích jsou ztrátové funkce jen zřídkakdy symetrické, a přesto tuto skutečnost modely často ignorují. Náš přístup tuto asymetrii zohledňuje již při samotném odhadu modelu, který následně využíváme při obchodování volatility pomocí opčních kontraktů.
V této oblasti je ztrátová funkce přirozeně asymetrická. Podhodnocení volatility vede k výrazně vyšším finančním ztrátám než její nadhodnocení. Standardní modely volatility, které využívají symetrické ztrátové funkce, proto v praxi nevedou k optimálním výsledkům. Naše studie ukazuje, že když model zohlední tuto asymetrii, dosahuje výrazně lepších výsledků a obchodníci díky němu získávají vyšší, rizikem očištěný výnos.
Jaké poznatky tato studie přináší? Co dokáže asymetrický model lépe zachytit a jak byste to ilustroval na praktickém příkladu?
Studie přinesla několik významných zjištění. Z mého pohledu je nejzajímavější potenciální vysvětlení tzv. volatility risk premium – fenoménu, kdy je tržní volatilita v průměru vyšší než volatilita realizovaná. Běžně je tento rozdíl vysvětlován rizikovou averzí investorů, my ukazujeme, že roli hraje i nákladová asymetrie. Dynamiku tržní volatility dokážeme vysvětlit predikcemi realizované volatility, které jsou generovány modelem zohledňující nákladovou asymetrii, a je to právě ta velikost asymetrie, která maximalizuje rizikově očištěný výnos při opčním obchodování. To naznačuje, že tržní ceny opcí již implicitně reflektují asymetrické ztráty obchodníků, což nabízí alternativní vysvětlení fenoménu.
Jak mohou být výsledky vašeho výzkumu využity v praxi?
Výsledky lze využít k přesnější predikci volatility, což je zásadní při oceňování finančních derivátů, řízení rizik, optimalizaci portfolií a v řadě dalších finančních aplikací. Pro opční obchodníky a tvůrce trhu jsou zvláště přínosná zjištění o asymetrických ztrátových funkcích. Modely, které přísněji penalizují podhodnocení volatility, poskytují predikce lépe odpovídající skutečnému rizikovému profilu trhu a vedou k vyšším rizikově očištěným výnosům.
Portfolio manažeři mohou tyto poznatky využít při tvorbě investičních strategií, které lépe reflektují jejich averzi vůči ztrátám. Studie o likviditě navíc přináší praktická doporučení, jaké ukazatele zvolit. Velké instituce mohou využít detailní data o kotovaném spreadu, zatímco menším investorům postačí jednodušší ukazatele počítány z denních dat.
