Expansion to Multiple...
Transcript of Expansion to Multiple...
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
Modeling Long-run Relationship in Finance
1
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
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
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
BUILDING TEST FORECAST
การพจิารณาข้อมูล
การทดสอบความนิ่ง (Unit Root Test)
การทดสอบ Optimal Lag
Length
การทดสอบ Granger Causality Test
การทดสอบ Impulse Response Function
การทดสอบ Variance
Decomposition
แบบจ าลอง VAR
การทดสอบปัญหาเศรษฐมติิ
การทดสอบ Cointegration แบบจ าลอง
ECM
4
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
be recast as the VAR(1) model
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
on 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
be recast as the VAR(1) model
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
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
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
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
ปัจจัยที่เกดิความการล่าช้า o เหตุผลทางเทคนิค เช่น การผลิตจ าเป็นตอ้งกินเวลา และสินคา้ถาวรสามารถ
ใชไ้ดห้ลายช่วงเวลา เป็นตน้ o เหตุผลของระบบ เช่น การซ้ือขายโดยใชสิ้นเช่ือ เป็นตน้ o เหตุผลทางจิตวทิยา เช่นพฤติกรรมของมนุษยม์กัจะเป็นไปตามความเคยชิน
หรือการคาดการณ์ในอนาคตจะพึ่งประสบการณ์จากอดีตเป็นตน้
tmtmttt XXXY ...110
t
m
j
jtj X
0
VAR MODEL : Optimal Lag Length
10
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 าตวัแปรท่ีท าการทดสอบโดยวิธี ADF โดยพิจารณาหาความ
ยาวของ Lag Length ท่ียาวท่ีสุดเท่าท่ีจะเป็นไปได ้หลงัจากทดสอบดูวา่ความยาวของ Lag ท่ีเลือกนั้นเหมาะสมหรือไม่โดยพิจารณาจาก Likelihood Ratio Test (LR)
• ซ่ึงเกณฑท่ี์ ใชเ้กณฑท่ี์ใชเ้ลือกความยาว Lag ท่ีเหมาะสมคือ Akaike Information Criterion (AIC) และ Schwartz Bayesian Criterion (SC หรือ SBC) โดยค่าสถิติท่ีใชท้ดสอบคือ
VAR MODEL : Optimal Lag Length
11
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
ซ่ึงค่า AIC หรือ SC จะนอ้ย เน่ืองจาก o มีความแปรปรวน และความแปรปรวนร่วมนอ้ย o มีจ านวนของตวัแปรและจ านวน lag นอ้ย o มีจ านวนขอ้มูลในการประมาณค่ามาก
VAR MODEL : Optimal Lag Length
NTAIC 2log
TNTSBC loglog
โดยท่ี คือ Number of Usable Observations คือ Total Number of Parameters Estimated in all Equations คือ Determinant of Variance/Covariance Matrices of the Residuals
T
N
12
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
เกณฑด์งักล่าวจะพิจารณาท่ีค่า AIC หรือ SC นอ้ยท่ีสุด ซ่ึงหมายถึงการเพิ่มตวัแปรหรือ lags เขา้ไปในแบบจ าลองจะไม่ท าใหค่้าเกณฑเ์หล่าน้ีลดลงแลว้ ในขณะท่ีเกณฑท์ั้งสองดงักล่าวมีความแตกต่างกนัใหเ้ลือกใช ้SC ไวก่้อนเพราะวา่ SC มีคุณสมบติัวา่ SC จะเลือกแบบจ าลองท่ีถูกตอ้งเกือบแน่นอน ส าหรับ AIC นั้น มีแนวโนม้ท่ีจะเป็นลกัษณะเชิงเสน้ก ากบัในแบบจ าลองท่ีมีพารามิเตอร์มากเกินไป
VAR MODEL : Optimal Lag Length
13
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
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
• …การวิเคราะห์ Impulse Response เป็นเคร่ืองมือในการวิเคระห์การตอบสนอง (response) ของตวัแปรหนึง่ เม่ือเกิดการเปลี่ยนแปลงในสว่นเบ่ียงเบนมาตรฐาน (Standard Deviation: S.D.) ของการเปลี่ยนแปลงอยา่งฉบัพลนั (Shock) ของตวัแปรอีกตวัแปรหนึง่ในระบบ ในระยะสัน้ ระยะกลาง และ ระยะยาว
VAR MODEL : Impulse Response
15
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
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 ตวัแปรดชันีราคาหุน้ตลาดหลกัทรัพยแ์ห่งประเทศไทย (SET) ในแต่ละช่วงเวลาไดรั้บอิทธิพลจากการเปล่ียนแปลงอยา่งฉบัพลนั (Shock) ในระยะสั้น ระยะกลาง และ ระยะยาวได ้โดยสดัส่วนของตวัแปรทุกตวัท่ีใชใ้นการศึกษาเม่ือรวมกนัจะได ้100%
VAR MODEL : Variance Decomposition
17
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
ค่าความคลาดเคล่ือน (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
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
SALNEXPGINTERESTfSET _,
19
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
Stationary Test
20
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) * มีระดบันยัส าค ัสถิติร้อยละ 0.10
** มีระดบันยัส าค ัสถิติร้อยละ 0.05
VAR MODEL : Research in Finance
Monetary has negative impact
Govt Exp has negative impact
-80
-40
0
40
80
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D(SET) to D(SET)
-80
-40
0
40
80
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D(SET) to D(INTEREST)
-80
-40
0
40
80
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D(SET) to LNEXPG_SA
-.2
.0
.2
.4
.6
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D(INTEREST) to D(SET)
-.2
.0
.2
.4
.6
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D(INTEREST) to D(INTEREST)
-.2
.0
.2
.4
.6
1 2 3 4 5 6 7 8 9 10
Accumulated Response of D( INTEREST) to LNEXPG_SA
-0.4
0.0
0.4
0.8
1.2
1 2 3 4 5 6 7 8 9 10
Accumulated Response of LNEXPG_SA to D(SET)
-0.4
0.0
0.4
0.8
1.2
1 2 3 4 5 6 7 8 9 10
Accumulated Response of LNEXPG_SA to D( INTEREST)
-0.4
0.0
0.4
0.8
1.2
1 2 3 4 5 6 7 8 9 10
Accumulated Response of LNEXPG_SA to LNEXPG_SA
Accumulated Response to Cholesky One S.D. Innovations ± 2 S.E.
VAR SVAR
21
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
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
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
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
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
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
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
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
ผา่น Cointegration อยา่งน้อย
None Significant
29
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
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
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
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
Cointegration Johansen
33
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
Empirical Result
34
I. Overview
KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance
III. VECM Model IV. Group Work II. VAR Model
Variance Decomposition
35
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
บทวเิคราะห์เร่ือง ถอดรหัสราคาน า้มันกับค่าเงนิดอลลาร์
โดย ดร. กลุกลัยา พระยาราช และ
นางสาวภทัรภรณ์ หิรัญวงศ์
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
37
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
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