[PPT] - in in Fi Finan ance ce 1 KULKUNYA PRAYARACH, PH.D. Modeling PowerPoint Presentation

SLIDE 1

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Mode delin ling g Long-run run Re Rela lation tionsh ship ip in in Fi Finan ance ce

1

SLIDE 2

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

OUTLINE

VAR Model VECM Model

2

SLIDE 3

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECTOR ERROR CORRECTION MODEL (VECM): Concept Model

VAR VECM

3

SLIDE 4

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

BUILDING TEST FORECAST การพิจารณา ข้อมูล

การทดสอบความนิ่ง (Unit Root Test)

การทดสอบ Optimal Lag Length

การทดสอบ Granger Causality Test

การทดสอบ Impulse Response Function

การทดสอบ Variance Decomposition

แบบจ าลอง VAR

การทดสอบ ปัญหาเศรษฐมิติ การทดสอบ Cointegration

แบบจ าลอง ECM

4

SLIDE 5

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECTOR AUTOREGRESSIVE MODEL (VAR): What is VAR?

 VAR is used for analyzing the interrelation of time series and the dynamics impacts of random disturbances (or innovations) on the system of variables  …term vector is due to we are dealing with a vector of two (or more) variables  VAR model captures the feedback effects allowing current and past values of the variables in the system 5

SLIDE 6

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECTOR AUTOREGRESSIVE MODEL (VAR): What is VAR?

 The coefficients β12 β21 represent the contemporaneous effects of a unit change of xt

n yt and of yt on xt, respectively.

 α12 is the effect of a unit change of xt-1 on yt  α22 is the effect of a unit change of xt-1 on xt 6

SLIDE 7

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VAR Model Structure VAR Model

7

SLIDE 8

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

STEP I: Test Stationary STEP II: Causality STEP III: Optimal Lag Length STEP IV: Impulse Response STEP V: Variance Decomposition

VAR MODEL: Step to run VAR

8

SLIDE 9

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VAR MODEL : Run VAR

9

SLIDE 10

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

ปัจจัยที่เกิดความการล่าช้า

เหตุผลทางเทคนิค เช่น การผลิตจ าเป็นต้องกินเวลา และสินค้าถาวรสามารถ

ใช้ได้หลายช่วงเวลา เป็นต้น

เหตุผลของระบบ เช่น การซื้อขายโดยใช้สินเชื่อ เป็นต้น
เหตุผลทางจิตวิทยา เช่นพฤติกรรมของมนุษย์มักจะเป็นไปตามความเคยชิน

หรือการคาดการณ์ในอนาคตจะพึ่งประสบการณ์จากอดีตเป็นต้น

t m t m t t t

X X X Y           

 

...

1 1

t m j j t j X

     



 

VAR MODEL : Optimal Lag Length

10

SLIDE 11

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

How to Choose optimal Lag?

STEP I : น าตัวแปรที่ท าการทดสอบโดยวิธี ADF โดยพิจารณาหาความ

ยาวของ Lag Length ที่ยาวที่สุดเท่าที่จะเป็นไปได้ หลังจากทดสอบดูว่า ความยาวของ Lag ที่เลือกนั้นเหมาะสมหรือไม่โดยพิจารณาจาก Likelihood Ratio Test (LR)

ซึ่งเกณฑ์ที่ ใช้เกณฑ์ที่ใช้เลือกความยาว Lag ที่เหมาะสมคือ Akaike

Information Criterion (AIC) และ Schwartz Bayesian Criterion (SC หรือ SBC) โดยค่าสถิติที่ใช้ทดสอบคือ

VAR MODEL : Optimal Lag Length

11

SLIDE 12

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

 Optimal Lag Length = min AIC or SBC  ซึ่งค่า AIC หรือ SC จะน้อย เนื่องจาก

มีความแปรปรวน และความแปรปรวนร่วมน้อย
มีจ านวนของตัวแปรและจ านวน lag น้อย
มีจ านวนข้อมูลในการประมาณค่ามาก

VAR MODEL : Optimal Lag Length

N T AIC 2 log  



T N T SBC log log  



โดยที่ คือ Number of Usable Observations คือ Total Number of Parameters Estimated in all Equations คือ Determinant of Variance/Covariance Matrices

f the Residuals

T

N



12

SLIDE 13

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

เกณฑ์ดังกล่าวจะพิจารณาที่ค่า AIC หรือ SC น้อยที่สุด ซึ่งหมายถึงการ เพิ่มตัวแปรหรือ lags เข้าไปในแบบจ าลองจะไม่ท าให้ค่าเกณฑ์เหล่านี้ ลดลงแล้ว ในขณะที่เกณฑ์ทั้งสองดังกล่าวมีความแตกต่างกันให้เลือกใช้ SC ไว้ก่อนเพราะว่า SC มีคุณสมบัติว่า SC จะเลือกแบบจ าลองที่ถูกต้อง เกือบแน่นอน ส าหรับ AIC นั้น มีแนวโน้มที่จะเป็นลักษณะเชิงเส้น ก ากับในแบบจ าลองที่มีพารามิเตอร์มากเกินไป

VAR MODEL : Optimal Lag Length

13

SLIDE 14

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VAR MODEL : Optimal Lag Length

14

SLIDE 15

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model
…การวิเคราะห์ Impulse Response เป็นเครื่องมือในการวิเคระห์การตอบสนอง

(response) ของตัวแปรหนึ่ง เมื่อเกิดการเปลี่ยนแปลงในส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation: S.D.) ของการเปลี่ยนแปลงอย่างฉับพลัน (Shock) ของ ตัวแปรอีกตัวแปรหนึ่งในระบบ ในระยะสั้น ระยะกลาง และ ระยะยาว

VAR MODEL : Impulse Response

15

SLIDE 16

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model
Impulse response

VAR MODEL : Impulse Response

16

SLIDE 17

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model
การวิเคราะห์ Variance Decomposition แสดงถึง ตัวแปร

ดัชนีราคาหุ้นตลาดหลักทรัพย์แห่งประเทศไทย (SET) ในแต่ละ ช่วงเวลาได้รับอิทธิพลจากการเปลี่ยนแปลงอย่างฉับพลัน (Shock) ใน ระยะสั้น ระยะกลาง และ ระยะยาวได้ โดยสัดส่วนของตัวแปรทุกตัวที่ ใช้ในการศึกษาเมื่อรวมกันจะได้ 100%

VAR MODEL : Variance Decomposition

17

SLIDE 18

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

ค่าความคลาดเคลื่อน (S.E.) increasing over time

but in declining rate As of 7 period >> S.E. is more stable RGEMRF explains itself = 97.3%. Is explained by MKTMRF (1.5%), SMB (1.05%) , HML (0.15%),

VAR MODEL : Variance Decomposition

18

SLIDE 19

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VAR MODEL : Research in Finance

 

SA LNEXPG INTEREST f SET _ , 

19

SLIDE 20

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Stationary Test



20

SLIDE 21

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Independent

D(SET) D(INTEREST) LNEXPG_SA D(SET(-1)) 0.066356 0.000555 2.08E-05

(0.66471) (1.50986) (0.10218)

D(SET(-2))

0.040804

0.000598 2.92E-05

(-0.38975) (1.55170) (0.13721)

D(SET(-3)) 0.212810 0.000894 0.000311

(2.04222)** (2.33032)** (1.46924)

D(INTEREST(-1))

1.171744

0.338798

0.070024

(-0.04617) (3.62546)** (-1.35636)

D(INTEREST(-2))

43.91707

0.052556

0.011728

(-1.65034)* (0.53634) (-0.21664)

D(INTEREST(-3)) 0.147061 0.254258 0.028431

(0.00580) (2.72447)** (0.55144)

LNEXPG_SA(-1)

5.984085
0.303119

0.746900

(-0.12491) (-1.71823)* (7.66365)**

LNEXPG_SA(-2) 8.209575 0.404823 0.048615

(0.13519) (1.81044)* (0.39354)

LNEXPG_SA(-3)

10.52667
0.057223

0.171037

(-0.21485) (-0.31717) (1.71598)*

C 116.0067

0.604281

0.458192

(0.54240) (-0.76728) (1.05309) * มีระดับนัยส าคั สถิติร้อยละ 0.10 ** มีระดับนัยส าคั สถิติร้อยละ 0.05

VAR MODEL : Research in Finance

Monetary has negative impact Govt Exp has negative impact

80
40

40 80 1 2 3 4 5 6 7 8 9 10 Accumulated Response of D(SET) to D(SET)

80
40

40 80 1 2 3 4 5 6 7 8 9 10 Accumulated Response of D(SET) to D(INTEREST)

80
40

40 80 1 2 3 4 5 6 7 8 9 10 Accumulated Response of D(SET) to LNEXPG_SA Accumulated Response to Cholesky One S.D. Innovations ± 2 S.E.

VAR SVAR

 

21

SLIDE 22

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

WORK SHOP #3

22

WORK ORDERS : VAR/SVAR

(1) Run VAR or SVAR: STEP by STEP  Take care of seasonal effect and smooth data (by taking log) (2) Analyze your results

SLIDE 23

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

 Engel and Granger (1987) point out that a linear combination of two or more nonstationary series may be stationary  The stationary combination may be interpreted as the cointegration, or equilibrium relationship between the variables  VEC model is a restricted VAR model  The VEC specification restricts the long run behavior of the endogenous variables to converge to their long run equilibrium relationships and allow the short run dynamics

VECTOR ERROR CORRECTION MODEL (VECM): Concept Model

23

SLIDE 24

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

 VECM is a dynamical system with the characteristics that the deviation of the current state from its long-run relationship will be fed into its short-run dynamics.  A rough long-run relationship can be determined by the cointegration vector, and then this relationship can be utilized to develop a refined dynamic model which can have a focus on long-run or transitory aspect such as the two VECM of a usual VAR in Johansen test Yt = a + b  Xt-1 - bECt-1 + t

VECTOR ERROR CORRECTION MODEL (VECM): Concept Model

24

SLIDE 25

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

 ECMs are category of multiple time series models that directly estimate the speed at which a dependent variable, Y, returns to equilibrium after a change in an independent variables, X  ECMs are useful for estimating both short term and long term effects of one time series on another Yt = a + b  Xt-1 - bECt-1 + t

VECTOR ERROR CORRECTION MODEL (VECM): Concept Model

 Short term effects of X on Y  Long Term effects of X on Y (long run multiplier)  The Speed at which Y returns to equilibrium after deviation has occurred

25

SLIDE 26

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

STEP I: Test Stationary STEP II: Causality Test STEP III: Optimal Lag Length STEP IV: Cointegration Test

VECM MODEL: Step to run VECM

26

SLIDE 27

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model
…is a test for causes and effects
X causes Y and whether Y causes X

VECM MODEL: Granger Causality Test

GOLD WTI DUBAI USD DJ

X Y 27

SLIDE 28

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECM MODEL: Granger Causality Test

28

SLIDE 29

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model
Cointegratiom  Long run relation

VECM MODEL: Cointegration Test

Johansen Test None: H0: ไม่มี สมการที่เป็น Cointegration H1: มีอย่างน้อย 1 สมการที่มีลักษณะ Cointegration

ผ่าน Cointegration อย่างน้อย None Significant

29

SLIDE 30

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECM

VECM MODEL: VECM Result

30

SLIDE 31

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECM MODEL: VECM Research I

SET = f (LNFRN, DJIA, FX, BOND)

31

SLIDE 32

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Optimal Lag Length Granger Causality Test

 

32

SLIDE 33

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Cointegration Johansen



33

SLIDE 34

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model



Empirical Result

34

SLIDE 35

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Variance Decomposition



35

SLIDE 36

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECM MODEL: VECM Research II

บทวิเคราะห์เรื่อง ถอดรหัสราคาน ้ามัน กับค่าเงินดอลลาร์

โดย ดร. กุลกัลยา พระยาราช และ นางสาวภัทรภรณ์ หิรัญวงศ์

36

SLIDE 37

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

VECM MODEL: VECM Research II

37

SLIDE 38

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

Empirical Result

VECM MODEL: VECM Research II

38

SLIDE 39

I. Overview

KULKUNYA PRAYARACH, PH.D.

Modeling Long-Run Relationships in Finance

III. VECM Model
IV. Group Work
II. VAR Model

WORK SHOP #4

39

WORK ORDERS : VECM

(1) Run VECM: STEP by STEP  Take care of seasonal effect and smooth data (by taking log) (2) Analyze your results