PIOTR FISZEDER, JACEK KWIATKOWSKI Katedra
Transkrypt
PIOTR FISZEDER, JACEK KWIATKOWSKI Katedra
PIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki DYNAMICZNA ANALIZA ZALEŻNOŚCI POMIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Streszczenie: W badaniu zastosowano modele GARCH-M ze stałym i zmiennym parametrem. Uzyskane szacunki dla modelu GARCH-M ze zmiennym parametrem mogą tłumaczyć rozbieżność wyników prowadzonych dotychczas analiz empirycznych dotyczących zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją przeprowadzonych z wykorzystaniem modelu GARCH-M ze stałym parametrem. 1. WPROWADZENIE Z modelu wyceny aktywów kapitałowych (CAPM) wynika, że pomiędzy oczekiwaną stopą zwrotu portfela rynkowego a wariancją stopy zwrotu tego portfela istnieje dodatnia zależność liniowa. Przyjmuje się również, że dla ustalonego okresu inwestorzy wymagają wyższych oczekiwanych stóp zwrotu z aktywów, z którymi związane jest większe ryzyko (mierzone odchyleniem standardowym lub wariancją). Nie ma jednakże zgody co do tego czy dodatnia zależność między oczekiwaną stopą zwrotu a wariancją jest „dynamiczna” tzn. czy w okresie, gdy dany papier wartościowy charakteryzuje się większym (mniejszym) ryzykiem inwestorzy wymagają większej (mniejszej) premii (różnicy między oczekiwaną stopą zwrotu z danego aktywu a stopą zwrotu wolną od ryzyka) za ryzyko. Wyniki badań empirycznych są niejednoznaczne. Na przykład: Engle, Lilien i Robins (1987) oraz French, Schwert i Stambaugh (1987) wskazują na dodatnią zależność między oczekiwaną stopą zwrotu a warunkową wariancją. Z drugiej strony Glosten, Jagannathan i Runkle (1993) mówią o ujemnej zależności między oczekiwaną stopą zwrotu a wariancją. W pracach: Baillie i Bollerslev (1990) oraz Domowitz i Hakkio (1985) zależność między oczekiwaną stopą zwrotu a ryzykiem była nieistotna statystycznie. Backus i Gregory (1993) dowodzą teoretycznie, że zależność pomiędzy premią za ryzyko a warunkową wariancją może mieć dowolny kierunek i postać. Wielu autorów stawia pod znakiem zapytania stałość liniowej zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją (np. Chou, Engle i Kane, 1992 oraz Harrison i Zhang, 1999). Rozbieżność wyników prowadzonych badań skłoniła nas do analizy zależności pomiędzy oczekiwaną stopą zwrotu a ryzykiem dla wybranych procesów dotyczących polskiego rynku finansowego. Ryzyko mierzone jest warunkową wariancją (lub ewentualnie warunkowym odchyleniem standardowym) stopy zwrotu badanego aktywu. W badaniu zastosowano model GARCH-M (GARCH in mean) ze zmiennym parametrem. Uzyskane rezultaty przynajmniej w części pozwalają odpowiedzieć na pytanie dlaczego wyniki dotychczasowych badań są tak niejednoznaczne. Niniejszy artykuł jest rozszerzeniem badań przedstawionych w pracy Fiszeder i Kwiatkowski (2005). W prezentowanej pracy analizowano inne procesy finansowe, tj. dodatkowe indeksy giełdowe, akcje tzw. „blue chipów” oraz kursy walutowe. Układ artykułu jest następujący. W części drugiej przedstawiono stosowane w badaniu modele: GARCH-M ze stałym i zmiennym parametrem oraz metody ich estymacji. Do estymacji modelu GARCH-M ze zmiennym parametrem proponujemy stosować metodę quasi największej wiarygodności. Część trzecia zawiera analizę zależności pomiędzy oczekiwaną stopą zwrotu a ryzykiem dla wybranych procesów obserwowanych na polskim rynku finansowym. W części czwartej zaprezentowano wnioski. 2. ZALEŻNOŚĆ MIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Model CAPM można przedstawić w następującej postaci: E (ri ) − r f = λ M cov(ri , rM ) , (1) gdzie E (ri ) jest to oczekiwana stopa zwrotu i-tego waloru, r f - stopa zwrotu wolna od ryzyka, λ M - parametr określany jako rynkowa cena ryzyka, cov (ri , rM ) - kowariancja stopy zwrotu i-tego waloru i portfela rynkowego. Równanie (1) zapisane dla portfela rynkowego ma następującą postać: E (rM ) − r f = λ σ M2 , (2) gdzie E (rM ) i σ M2 oznaczają odpowiednio: warunkową wartość oczekiwaną i warunkową wariancję stopy zwrotu portfela rynkowego. Z równania (2) wynika, że premia za ryzyko ( E (rM ) − r f ) jest proporcjonalna do wariancji stopy zwrotu portfela rynkowego. Parametr λ powinien być większy od zera, bo w przeciwnym wypadku inwestorzy nie byliby zainteresowani posiadaniem ryzykownego portfela, którego oczekiwana stopa zwrotu jest mniejsza od stopy wolnej od ryzyka. Dla ustalonego okresu inwestorzy wymagają wyższych oczekiwanych stóp zwrotu z aktywów, z którymi związane jest większe ryzyko. Na efektywnych rynkach kapitałowych aktywa o wysokim dochodzie charakteryzują się wysokim ryzykiem. Nie ma jednakże zgody co do tego czy zależność między oczekiwaną stopą zwrotu a wariancją jest dynamiczna. Przedstawione we wprowadzeniu wyniki badań są niejednoznaczne. Duża grupa spośród wspomnianych analiz została przeprowadzona z wykorzystaniem modelu GARCH-M (lub ARCH-M). Jedną z ważniejszych charakterystyk finansowych szeregów czasowych jest skupianie się wariancji w wąskich przedziałach czasu i ściśle z tym związana zmienność wariancji warunkowej. Model GARCH-M (patrz Engle, Lilien i Robins, 1987) pozwala w naturalny sposób modelować liniową zależność pomiędzy oczekiwaną stopą zwrotu a zmienną w czasie wariancją warunkową. Model GARCH-M(p,q) można przedstawić w następującej postaci: rt = δ ht + φ 0 + φ1 rt −1 + ... + φ k rt − k + ε t , (3) ε t = z t ht1 / 2 , (4) ht = α o + z t ~ N (0,1) , q ∑α ε i=1 2 i t-i + p ∑β h j=1 j t -j , (5) gdzie rt oznacza stopę zwrotu, a ht wariancję warunkową. W równaniu (3) wprowadzono opóźnione wartości rt , aby uwzględnić ewentualną autokorelację stóp zwrotu. W badaniach empirycznych często wystarczające jest przyjęcie w równaniu (5) q = 1 i p = 1 . Do estymacji parametrów modelu GARCH-M w postaci (3-5) wykorzystuje się najczęściej metodę największej wiarygodności. Ponieważ warunkowa normalność procesu (założona w równaniu (4)) nie jest w stanie wyjaśnić zwiększonej kurtozy występującej w rozkładach brzegowych empirycznych procesów finansowych, dlatego należy albo zastosować przy estymacji parametrów metodę quasi największej wiarygodności, albo przyjąć dla z t rozkład o grubszych ogonach (np. rozkład t-Studenta). Dla danych o mniejszej częstotliwości np. miesięcznych, w równaniu (3) pomija się stałą φ 0 , a model szacowany jest na podstawie stóp zwrotu pomniejszonych o stopę wolną od ryzyka (excess returns). W równaniu (3) zamiast ht można również przyjąć ht lub ln (ht ) (por. Engle, Lilien i Robins, 1987). Przyjęcie takiej specyfikacji oznacza, że zmiany w wariancji mają mniejszy wpływ na oczekiwaną stopę zwrotu (zależność między oczekiwaną stopą zwrotu a wariancją nie jest liniowa). Liczne badania (np. Bollerslev i Wooldridge, 1992; Glosten, Jagannathan i Runkle, 1993) pokazują, że ocena parametru δ jest bardzo wrażliwa na postać równania dla warunkowej wariancji. Glosten, Jagannathan i Runkle (1993) uwzględniając poziom stóp procentowych oraz asymetryczny wpływ dodatnich i ujemnych stóp zwrotu na wariancje, otrzymali ujemną ocenę parametru δ (w modelu o równaniach (3-5) ocena była dodatnia). Teoria finansów dopuszcza zarówno dodatnią, jak i ujemną „dynamiczną” zależność między warunkową stopą zwrotu a warunkową wariancją. Glosten, Jagannathan i Runkle (1993) podają przykłady, kiedy powyższa zależność może być ujemna. Backus i Gregory (1993) dowodzą teoretycznie, że zależność pomiędzy premią za ryzyko a warunkową wariancją może mieć dowolny kierunek i postać. Harrison i Zhang (1999) pokazują, że zależność między oczekiwaną stopą zwrotu a ryzykiem jest dodatnia, ale tylko w przypadku długiego okresu inwestycji (kwartał, rok, dwa lata). Nie znajdują natomiast żadnej istotnej zależności dla krótkiego okresu inwestycji. Wielu autorów stawia pod znakiem zapytania stałość zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją (np. French, Schwert i Stambaugh, 1987; Chou, Engle i Kane, 1992; Harrison i Zhang, 1999). Podstawową wersję modelu GARCH-M ze zmiennym parametrem (TVP GARCH-M, time varying parameter) wprowadzają Chou, Engle i Kane (1992). Postać tego modelu, rozszerzoną o występujące w równaniu dla średniej opóźnione wartości zmiennej objaśnianej, można zapisać: rt = bt ht + φ 0 + φ1 rt −1 + ... + φ k rt − k + ε t , (6) ε t = z t ht1 / 2 , (7) ht = α o + q z t ~ N (0,1) , ∑ αiηt-i2 + i=1 p ∑β h j=1 j t -j , bt = bt −1 + vt , v t ~ N (0, Q) , (8) (9) gdzie η t = rt − E t −1 (rt ) , cov (ε t , vt ) = 0 . Powyższy model jest naturalnym rozszerzeniem modelu GARCH-M, w którym parametr δ w równaniu (3) jest opisany procesem błądzenia przypadkowego. Taka specyfikacja pozwala modelować nie tylko zmieniającą się w czasie wariancję warunkową, ale również zmieniającą się zależność pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją. Chou, Engle i Kane (1992) nazywają bt „ceną zmienności”. W odróżnieniu od podstawowego modelu GARCH-M, w równaniu (8) kolejne kwadraty opóźnionych reszt ε t −i zastąpione są kwadratami η t uzyskanymi z filtru Kalmana. W przestrzeni stanów równanie (6) nazywane jest równaniem wyjścia lub obserwacji, natomiast (9) równaniem stanu. W celu znalezienia nieznanych wartości parametrów można zatem wykorzystać zmodyfikowaną wersję filtru Kalmana, która dodatkowo uwzględnia zmienność wariancji warunkowej. Oznaczając przez yt (n × 1) -wymiarowy wektor zmiennych obserwowanych w czasie t , ogólny model przestrzeni stanów można zapisać jako: y t = A' xt + Z t'ξ t + wt , (10) ξ t = Fξ t −1 + vt , (11) gdzie równanie (10) nazywane jest równaniem wyjścia lub obserwacji, a równanie (11) równaniem stanu, ξ t oznacza (r × 1) wymiarowy wektor stanu, F i Z t' są odpowiednio macierzami stanu oraz wyjścia o wymiarach (r × r ) i (n × r ) . Wektor xt jest (k × 1) - wymiarowym wektorem zmiennych egzogenicznych lub z góry ustalonych. Macierz A' ma wymiary (n × k ) . Wektory wt i vt o wymiarach (n × 1) oraz (r × 1) są wektorami białych szumów, mianowicie: ( ) ( ) h dla t = τ Q dla t = τ E wt wτ' = t i E vt vτ' = , 0 dla t ≠ τ 0 dla t ≠ τ gdzie ht i Q są macierzami o wymiarach (n × n ) i (r × r ) . Dodatkowo zakłada się niezależność wektorów wt i vt . Definiując przez at | t −1 = E [ξ t ψ t −1 ] wektor stanu oszacowany w oparciu o informacje dostępne w chwili t −1 oraz przez ' Pt | t −1 = E (ξ t − at | t −1 )(ξ t − at | t −1 ) ψ t −1 macierz kowariancji tego oszacowania, równania filtru Kalmana, które służą do estymacji parametrów zawartych w A' , F, Q i ht mają postać: at | t −1 = Fat −1 , (12) Pt | t −1 = FPt −1 F '+Q , (13) y t| t −1 = A' xt + Z t' at | t −1 , (14) u t = y t − y t| t −1 , (15) Wt = Z t' Pt | t −1 Z + ht , (16) at = a t| t −1 + Pt | t −1 Z tWt −1u t , (17) ( ) Pt = I − Pt | t −1 Z tWt −1 Z t' Pt |t −1 . (18) Uwzględniając efekt GARCH (1,1) dopisujemy jeszcze jedno równanie (por. Rockinger i Urga, 2000), mianowicie: ht = α 0 + α 1u t2−1 + β1 ht −1 . (19) Oznaczając przez T liczbę obserwacji, logarytm funkcji gęstości dla t -tej obserwacji można zapisać: 1 1 n ln Lt = − ln (2π ) − ln Wt − u t'Wt −1u t dla t = 1, ..., T . 2 2 2 (20) Nieznane wartości parametrów estymuje się poprzez maksymalizację funkcji wiarygodności T L = ∑ ln Lt , przyjmując jako wartości początkowe punktowe oceny parametrów otrzymane t =1 dla modelu GARCH-M ze stałym parametrem. Chou, Engle i Kane (1992) szacując model GARCH-M ze zmiennym parametrem awersji do ryzyka zastosowali metodę największej wiarygodności. Ponieważ rozkład z t w równaniu (7) nie jest normalny (posiada grubsze ogony niż te, które występują w rozkładzie normalnym) proponujemy stosować metodę quasi największej wiarygodności. Otrzymane tą metodą estymatory są zgodne i asymptotycznie nieobciążone (patrz Bollerslev i Wooldridge, 1992). 3. ANALIZA WYBRANYCH PROCESÓW OBSERWOWANYCH NA POLSKIM RYNKU FINANSOWYM Niejednoznaczność wyników prowadzonych dotychczas badań skłoniła nas do analizy zależności pomiędzy oczekiwaną stopą zwrotu a ryzykiem dla wybranych procesów dotyczących polskiego rynku finansowego. W badaniu zastosowano modele GARCH-M ze stałym i zmiennym parametrem awersji do ryzyka. Analizowano wybrane indeksy rynku akcji: WIG, WIG 20, MIDWIG, TechWIG, wybrane spółki notowane na GPW w Warszawie: Budopol Wrocław, Energoaparatura (Enap), KGHM Polska Miedź, PKN Orlen, Bank Pekao S.A, Telekomunikacja Polska (TPSA), Wistil oraz kursy złotego w stosunku do wybranych walut obcych (kursy NBP): dolara amerykańskiego, euro, franka szwajcarskiego, funta brytyjskiego i jena japońskiego. Wśród badanych spółek są zarówno tzw. „blue chipy” jak i spółki o małej kapitalizacji. Ponieważ rozbieżność wyników prowadzonych badań dotyczy przede wszystkim krótkiego okresu inwestycji (patrz Harrison i Zhang, 1999), do badania przyjęto dzienne stopy zwrotu obliczane według formuły: rt = 100 ln ( y t / y t −1 ) . W przypadku indeksów giełdowych i spółek analizowano okres od pierwszego dnia notowań do 31 lipca 2003 r. Badanie kursów walut zostało przeprowadzone dla okresu: 1 styczeń 1995 r. - 31 lipiec 2003 r. (dla kursu euro od 1 stycznia 1999 r.). Estymowano zarówno model GARCH-M opisany równaniami (3-5), jak i model TVP GARCH-M przedstawiony równaniami (6-9). Do estymacji parametrów stosowano metodę quasi największej wiarygodności. Dla modelu GARCH-M wyboru wartości k , p i q dokonano na podstawie bayesowskiego kryterium informacyjnego (BIC). Badanie przeprowadzono zarówno dla stóp zwrotu, jak i stóp zwrotu pomniejszonych o stopę wolną od ryzyka. W tym drugim przypadku w równaniach (3) i (6) pominięto stałą φ 0 . Jako stopę wolną od ryzyka przyjęto rentowność 52 tygodniowych bonów skarbowych. Ponieważ skorygowanie stóp zwrotu o stopę wolną od ryzyka nie wpłynęło istotnie na uzyskane wyniki, poniżej zaprezentowano jedynie wyniki badania przeprowadzonego dla stóp zwrotu. Oszacowane modele GARCH-M zostały przedstawione w tablicy 1. Warto zwrócić uwagę na istotne różnice dotyczące charakterystyk poszczególnych procesów finansowych. Najsilniejsza autokorelacja występuje w przypadku indeksów giełdowych, słabsza w przypadku pojedynczych akcji. Dodatnia autokorelacja indeksów lub portfeli może wynikać z dodatniej korelacji wzajemnej stóp zwrotu, występującej pomiędzy akcjami tworzącymi indeks lub portfel. Dla kursów walutowych poza kursem euro, w przypadku którego występowała ujemna autokorelacja, zaobserwowano brak istotnych zależności pomiędzy kolejnymi stopami zwrotu. Kolejna różnica pomiędzy poszczególnymi procesami występuje w szacunkach parametru α 1 w równaniu (5). Są one na ogół większe dla kursów walutowych. Zatem zmiana ceny w okresie t − 1 ma większy wpływ na wariancję warunkową (zmienność) stóp zwrotu kursów walutowych niż na wariancję stóp zwrotu akcji. W dziesięciu przypadkach na szesnaście badanych szeregów ocena parametru δ w równaniu (3) była ujemna, ale tylko w przypadku kursu dolara i funta była ona istotna statystycznie. Przyjęcie w równaniu (3) zamiast ht warunkowego odchylenia standardowego ht nie wpływa istotnie na uzyskane wyniki. Należy podkreślić, że ujemna wartość parametru δ nie jest sprzeczna z teorią finansów (patrz np. Glosten, Jagannathan i Runkle, 1993; Backus i Gregory, 1993). Tylko dla spółki Energoaparatura zależność między stopą zwrotu a warunkową wariancją była dodatnia i istotna statystycznie. Okazuje się jednakże, że ocena parametru δ zależy również od tego czy w równaniu (3) zostanie umieszczona, czy też pominięta stała φ 0 . W wyniku pominięcia stałej φ 0 w równaniu dla stóp zwrotu indeksu WIG ocena parametru δ stała się istotna, z kolei w przypadku kursu dolara ocena parametru δ przestała być istotna. Pominięcie stałej φ 0 w przypadku indeksu WIG20, spółki Energoaparatura oraz kursu funta spowodowało zmianę znaku oceny parametru δ . W większości przypadków uzyskane szacunki parametrów dla modelu GARCH-M wskazują na brak istotnej zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją badanych procesów finansowych. Nie oznacza to jednak, że taka zależność nie istnieje. Jedną z możliwych przyczyn braku istotności parametru δ może być jego zmienność w czasie. Z tego względu szacujemy model GARCH-M ze zmiennym parametrem. Uzyskane wyniki zostały zaprezentowane w tablicy 2. Szacunki parametrów w modelu GARCH-M ze zmiennym parametrem są zbliżone do tych, jakie otrzymano dla modelu GARCH-M (poza parametrem φ 0 ). Duży problem stanowi brak powszechnie znanych w literaturze narzędzi weryfikacji hipotezy modelowej dotyczącej stałości parametru w modelu GARCH-M. Testy stałości parametrów, takie jak np. test Chowa, wymagają normalności składnika resztowego, która nie jest zachowana w opisywanych modelach. Podobnie znana w literaturze przedmiotu statystyka F służąca do weryfikacji nakładanych restrykcji na estymowane parametry wymaga niezależnych reszt o jednakowym rozkładzie normalnym. Jeżeli wartość parametru Q jest równa zero, to model GARCH-M ze zmiennym parametrem zmienia się w model o stałym parametrze. Niestety wiadomo, że gdy Q = 0 to jego estymator nie ma standardowego rozkładu (patrz Harvey, 1989). Nie można więc w tradycyjny sposób testować jego istotności. Z tego też powodu nie podajemy w tablicy błędów dla parametru Q , a jako kryterium stałości parametru wykorzystujemy przedziały ufności. Stała ocena bt zawarta w przedziale ufności sugeruje stałość parametru w badanym okresie (patrz Rockinger i Urga, 2000). Rysunek 1 przedstawia punktowe oceny bt wygładzone przez filtr Kalmana wraz z 95% przedziałami ufności dla badanych procesów. Dla większości przypadków proces bt charakteryzuje się relatywnie większą zmiennością w początkowym okresie i znacznie mniejszą w późniejszym okresie. W przypadku spółek PKN i TPSA można zaobserwować relatywnie duże oceny bt w pierwszych dniach notowań tych spółek na giełdzie i znaczny ich spadek na kolejnych sesjach. Analizując poszczególne procesy finansowe można również zauważyć pewne okresy, w czasie których nastąpił znaczny wzrost zależności pomiędzy oczekiwaną stopą zwrotu a wariancją warunkową: hossa na rynku akcji na GPW w Warszawie w latach 1992-93 (patrz indeks WIG), kryzysy finansowe w krajach Dalekiego Wschodu w 1997 roku (patrz kurs dolara i funta), „hossa internetowa” w 1999 i na początku 2000 roku (patrz indeks TechWIG). Dla wszystkich badanych procesów istnieje stała wartość parametru bt zawierająca się w przedziale ufności co sugeruje, że zmiany tego parametru w badanym okresie nie są istotne. Duża rozpiętość oszacowanych przedziałów ufności może tłumaczyć różnice w punktowych ocenach parametru bt uzyskane przez różnych autorów w zależności od badanego okresu. 4. ZAKOŃCZENIE Brak jednoznacznych wyników dotychczasowych badań skłoniła nas do analizy zależności pomiędzy oczekiwaną stopą zwrotu a ryzykiem dla wybranych procesów dotyczących polskiego rynku finansowego. W badaniu zastosowano modele GARCH-M ze stałym i zmiennym parametrem. Do estymacji parametrów modelu GARCH-M ze zmiennym parametrem proponujemy stosować metodę quasi największej wiarygodności. W większości przypadków uzyskane szacunki parametrów dla modelu GARCH-M ze stałym parametrem wskazują na brak istotnej zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją badanych procesów finansowych. Jednakże wyniki zależą od przyjętej postaci równania dla warunkowej średniej. Uzyskane szacunki dla modelu GARCH-M ze zmiennym parametrem mogą tłumaczyć rozbieżność wyników prowadzonych dotychczas analiz empirycznych dotyczących zależności pomiędzy oczekiwaną stopą zwrotu a warunkową wariancją przeprowadzonych z wykorzystaniem modelu GARCH-M ze stałym parametrem. Przeprowadzone badanie wykazało, że procesy stóp zwrotu kursów walutowych charakteryzują się słabszą autokorelacją niż procesy stóp zwrotu cen indeksów i akcji. Zmiana ceny w okresie t − 1 ma większy wpływ na zmienność stóp zwrotu kursów walutowych niż na wariancję stóp zwrotu akcji. LITERATURA [1] [2] [3] Backus D. K., Gregory A. W., Theoretical Relations between Risk Premiums and Conditional Variances, Journal of Business & Economic Statistics, 11,1993, 177-185. Baillie R. T., Bollerslev T., A Multivariate Generalized ARCH Approach to Modeling Risk Premia in Foreign Exchange Markets, Journal of International Money and Finance, 9, 1990, 309-324. Bollerslev T., Wooldridge J. M., Quasi-Maximum likelihood Estimation and Inference in Dynamic Models with Time-Varying Covariances, Econometric Reviews, 11, 1992, 143-179. Chou R., Engle R. F., Kane A., Measuring Risk Aversion from Excess Returns on a Stock Index, Journal of Econometrics, 52, 1992, 201-224. [5] Domowitz I., Hakkio C., Conditional Variance and the Risk Premium in the Foreign Exchange Market, Journal of International Economics, 19, 1985, 47-66. [6] Engle R. F., Lilien D. M., Robins R. P., Estimating Time Varying Risk Premia in the Term Structure: The ARCH-M Model, Econometrica, 55, 1987, 391-407. [7] Fiszeder P., Kwiatkowski J., Model GARCH-M ze zmiennym parametrem – Analiza wybranych spółek i indeksów notowanych na GPW w Warszawie, Przegląd Statystyczny, 2005 (przyjęte do druku). [8] French K. R., Schwert G. W., Stambaugh R., Expected Stock Return and Volatility, Journal of Financial Economics, 19, 1987, 3-29. [9] Glosten L. R., Jagannathan R., Runkle D. E., On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks, Journal of Finance, 48, 1993, 1779-1801. [10] Harrison P., Zhang H. H., An Investigation of The Risk and Return Relation at Long Horizons, The Review of Economics and Statistics, 81, 1999, 399-408. [11] Harvey, A.C., Forecasting, Structural Time Series Models and the Kalman Filter, Cambridge University Press, 1989. [12] Rockinger M., Urga G., Evolution of Stock Markets in Transition Economies, Journal of Comparative Economics, 28, 2000, 456-472. [4] DYNAMIC ANALYSIS OF RELATION BETWEEN EXPECTED RETURN AND CONDITIONAL VARIANCE Summary: Existing empirical work on the expected return and conditional variance relation has drawn conflicting conclusions. In the paper we analyze this relation for selected time series from Polish financial market. The GARCH-M models with constant and time-varying parameter are implemented. We suggest to use a quasi-maximum likelihood method to estimate parameters of the GARCH-M model with time-varying parameter. Estimates of the GARCH-M model with constant parameter indicate that the relation between expected return and conditional variance is not significant. However the results are sensitive to specification of conditional mean. Estimates of the GARCH-M model with time-varying parameter can explain different empirical results concerning the GARCH-M model with constant parameter. Our study indicates that autocorrelation of returns for exchange rates is weaker than for stock returns. Changes in periods earlier than t − 1 have greater impact on volatility of stock returns than volatility of exchange rates returns. Tablica 1. Wyniki estymacji dla modelu GARCH-M ze stałym parametrem Badane procesy WIG WIG20 MIDWIG TechWIG Budopol Enap KGHM PKN Pekao TPSA Wistil Dolar Euro Frank Funt Jen φ0 φ1 φ2 δ α0 α1 α2 β1 0,0069 0,2218 -0,0699 0,0186 0,1411 0,1734 - 0,7957 (0,0412) (0,0222) (0,0206) (0,0116) (0,0512) (0,0362) 0,0645 0,0897 -0,0051 0,1840 0,1319 (0,0633) (0,0237) (0,0163) (0,0621) (0,0264) -0,0047 0,1162 0,0201 0,0134 0,1090 (0,0322) (0,0284) (0,0212) (0,0061) (0,0222) 0,0307 0,0821 -0,0110 0,0654 0,0753 (0,1222) (0,0368) (0,0197) (0,0492) (0,0205) -0,1015 -0,1865 -0,0049 0,3442 0,0767 (0,1558) (0,0419) (0,0078) (0,2451) (0,0247) 0,0192 0,1601 0,2516 (0,0090) (0,1492) 0,0133 0,3705 0,1138 (0,0140) (0,1474) (0,0307) 0,0677 0,5491 0,0776 (0,0981) (0,6944) (0,0533) -0,0042 0,1406 0,21045 -0,6624 (0,2325) - -0,0953 0,0583 (0,1214) (0,0303) -0,2409 (0,3414) 0,0735 (0,1126) -0,0992 (0,2360) -0,0391 (0,1731) 0,0517 (0,0167) 0,0232 (0,0282) - - - - - - - - (0,0316) (0,0152) - - (0,0368) 0,0444 - - -0,0873 (0,0286) - - -0,0290 0,0166 - - - - - - - - (0,0435) - 0,8265 (0,0355) - 0,8866 (0,0216) - 0,9154 (0,0236) - 0,9091 (0,0306) -0,2312 0,9736 (0,0541) (0,0562) (0,0114) - 0,8505 (0,0370) - 0,7713 (0,2356) -0,1489 0,9116 (0,0228) (0,06666) (0,0519) (0,0554) (0,0270) 0,0135 0,1812 0,0516 (0,0341) (0,1696) (0,0226) -0,0049 0,1003 0,3293 (0,0135) (0,1379) -0,1291 0,0216 (0,0516) (0,0070) -0,0082 0,0594 0,1818 (0,0705) (0,0339) (0,0726) -0,0617 0,0454 0,2495 (0,0547) (0,0178) -0,0756 0,0128 (0,0366) (0,0041) -0,0460 0,0105 (0,0385) (0,0040) W nawiasach pod ocenami parametrów podano średnie błędy szacunku. Źródło: Obliczenia własne. - 0,9236 (0,0429) -0,3111 0,9758 (0,0717) (0,0726) (0,0202) 0,3382 -0,1731 0,7870 (0,0674) (0,0628) (0,0409) - 0,7187 (0,1119) -0,1273 0,8024 (0,0734) (0,0694) (0,0548) 0,2952 -0,1479 0,8397 (0,0616) (0,0649) (0,0328) 0,1968 -0,1377 0,9304 (0,0488) (0,0498) (0,0148) Tablica 2. Wyniki estymacji dla modelu GARCH-M ze zmiennym parametrem Badane procesy WIG WIG20 MIDWIG TechWIG Budopol Enap KGHM PKN Pekao TPSA Wistil Dolar Euro Frank Funt Jen α2 φ0 φ1 φ2 α0 α1 0,0242 0,2259 -0,0652 0,1437 0,1762 (0,0501) (0,0212) (0,0211) (0,0455) (0,0371) 0,0586 0,0927 0,2030 0,1297 (0,0469) (0,0220) (0,0576) (0,0277) 0,0025 0,1132 0,0135 0,1070 (0,0334) (0,0285) (0,0049) (0,0247) 0,0159 0,0856 0,0682 0,0759 (0,1250) (0,0348) (0,0436) (0,0222) -0,1180 -0,1994 0,3374 0,0766 (0,1712) (0,0369) (0,3386) (0,0368) 0,1426 0,2322 -0,2140 0,9760 (0,0642) (0,0361) (0,0353) (0,0040) 0,3817 0,1151 (0,1332) (0,0314) 0,4969 0,0686 (0,3039) (0,0349) 0,0907 0,2094 -0,1676 0,9399 (0,0750) (0,1192) (0,0978) (0,0729) 0,1285 0,0435 (0,1252) (0,0212) 0,0647 0,2988 -0,2866 0,9833 (0,0331) (0,0484) (0,0481) (0,0048) 0,0227 0,3270 -0,1575 0,7800 (0,0076) (0,0606) (0,0797) (0,1097) 0,0577 0,1753 (0,0262) (0,0709) 0,0477 0,2315 -0,1144 0,8018 (0,0182) (0,0527) (0,0617) (0,1325) 0,0149 0,2937 -0,1367 0,8264 (0,0046) (0,0678) (0,0547) (0,0613) 0,0209 0,1851 -0,0985 0,8917 (0,0115) (0,0741) (0,0479) (0,0839) -0,7285 (0,1975) - -0,0592 0,0612 (0,1352) (0,0283) -0,2993 (0,3223) 0,0964 (0,1099) -0,0890 (0,2276) 0,0433 (0,1610) 0,0550 (0,0152) 0,0181 (0,0291) - - - - - - - - (0,0328) (0,0154) - - (0,0347) 0,0456 - - -0,0895 (0,0257) - - -0,0418 0,0190 - - - - - - - - W nawiasach pod ocenami parametrów podano średnie błędy szacunku. Źródło: Obliczenia własne. - - - - β1 0,7929 (0,0416) 0,8212 (0,0347) 0,8879 (0,0228) 0,9139 (0,0230) 0,9099 (0,0443) 0,8475 (0,0355) 0,7924 (0,0945) 0,9386 (0,0350) 0,7272 (0,0887) Q 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0008 0,0021 0,0011 0,0022 0,0014 0,0000 Rysunek 1. Punktowe oceny bt wygładzone przez filtr Kalmana oraz 95% przedziały ufności dla badanych procesów finansowych WIG 0.10 WIG20 0.03 0.02 0.05 0.01 -0.03 -0.04 -0.10 0.20 0.15 MIDWIG TechWIG 0.15 0.10 0.10 0.05 0.05 2003 2003 -0.05 2002 -0.15 2001 0.00 2000 2002 2001 2000 -0.10 1999 -0.05 1998 0.00 Budopol 0.04 0.08 0.02 0.06 0.00 0.04 2003 2002 2001 2000 1999 0.02 0.00 0.20 0.00 -0.08 -0.10 2002 -0.06 2001 0.10 1999 2002 2001 2000 1999 1998 1997 0.00 -0.04 PKN 0.30 0.02 -0.02 2002 0.40 0.04 2001 KGHM 0.06 2000 -0.04 1999 -0.08 1998 -0.02 1997 -0.06 2000 -0.04 1998 -0.02 Enap 2003 2002 2001 2000 1999 1998 1997 1996 -0.02 1995 2001 1999 1997 1995 1993 1991 -0.05 -0.01 1994 0.00 0.00 Rysunek 1. Punktowe oceny bt wygładzone przez filtr Kalmana oraz 95% przedziały ufności dla badanych procesów finansowych (ciąg dalszy) Pekao 0.10 0.15 0.05 0.10 0.00 2002 2002 -0.10 -0.10 Wistil Dolar 0.05 0.40 0.20 2003 2002 2001 2000 1999 1998 1997 -0.20 1996 2003 2002 2001 2000 1999 1998 0.00 1995 0.00 -0.05 2001 2000 -0.05 1999 0.00 1998 2001 2000 1999 0.05 1998 -0.05 TPSA 0.20 -0.40 -0.10 -0.60 -0.15 -0.80 0.30 0.60 0.20 0.40 0.10 0.20 Funt 2003 2002 2001 2000 2003 2002 2001 2000 -0.40 1998 -0.60 1997 -0.20 1996 0.00 -0.40 Źródło: Opracowanie własne. Jen 1995 2003 2002 2001 -0.20 2000 0.20 1999 0.00 1998 0.40 1997 0.20 1996 0.60 1995 0.40 1999 1998 1997 -0.20 -0.20 1996 0.00 1995 2003 2002 2002 2001 2001 2000 2000 1999 1999 0.00 -0.10 Frank 0.80 1999 Euro 0.40