Kirjoitus perustuu Helsingin yliopistossa 29.11.2019 tarkastettuun väitöskirjaan Evaluating macro-finance interactions using mixed frequency methods. Vastaväittäjänä toimi professori Christian Conrad (University of Heidelberg) ja kustoksena professori Markku Lanne (Helsingin yliopisto). VTT Annika Lindblad (annika.lindblad@bof.fi) toimii ekonomistina Suo- men Pankissa. Artikkelissa esitetyt näkemykset ovat kirjoittajan omia eivätkä välttämättä vastaa Suomen Pankin kantaa.
Tutkimuksia makrotalouden ja rahoitus- markkinoiden välisestä vuorovaikutuksesta
Annika Lindblad
M
akrotalouden ja rahoitusmarkkinoiden vä- linen suhde on moninainen. Olosuhteet rahoi- tusmarkkinoilla voivat vaikuttaa makrotalou- teen, kuten esimerkiksi finanssikriisien aikana on nähty. Toisaalta myös makrotaloudelliset olosuhteet voivat vaikuttaa rahoitusmarkkinoi- hin. Makrotaloudellinen ympäristö heijastuu esimerkiksi taloudellisten toimijoiden mieli- alaan, mikä vaikuttaa kansainvälisten sijoitta- jien riskinottohalukkuuteen ja eri sijoitusvaih- toehtojen suhteelliseen houkuttelevuuteen, esimerkiksi odotettuun osinkovirtaan tai odo- tettuihin diskonttokorkoihin.Väitöskirjassani tutkin makrotalouden ja rahoitusmarkkinoiden välisiä vuorovaikutus- suhteita. Tärkeässä roolissa sen kahdessa en-
simmäisessä luvussa on osakemarkkinoiden volatiliteetti. Kolmannessa luvussa keskiössä on osakemarkkinoiden ja valuuttakurssien vä- linen korrelaatio.
Viime vuosina korkean frekvenssin rahoi- tusmarkkinadatan saatavuus on parantunut, ja sitä myöten myös kiinnostus sen käyttöön tut- kimuksessa on lisääntynyt. Kykymme mallin- taa ja ennustaa volatiliteettia tai korrelaatioita hyvin lyhyellä aikavälillä, jopa päivän sisäises- ti, ei kuitenkaan ole poistanut tarvetta ymmär- tää, miten rahoitusmarkkinat käyttäytyvät pi- demmällä aikavälillä kuten useiden kuukau- sien tai jopa vuosien mittaan. On luonnollista ajatella, että korkealla frekvenssillä mitattu ja mallinnettu volatiliteetti tai korrelaatio liikkuu
matalamman frekvenssin omaavan trendikom- ponentin ympärillä. Trendikomponentin voi- daan vuorostaan ajatella riippuvan makrota- loudellisesta ympäristöstä. Näin ollen lyhyen aikavälin lähestymistapa ja pidemmän aikavä- lin makrotaloudellinen näkökulma täydentäi- sivät toisiaan.
Volatiliteetin ja korrelaatioiden mallintami- seen on monia vaihtoehtoja. Väitöskirjassani käytän yksiulotteisia ja moniulotteisia GARCH- malleja (Generalised Autoregressive Conditio- nal Heteroskedasticity), joita on täydennet- ty niin kutsutuilla mixed data sampling, eli MIDAS -komponenteilla. Ghysels, Santa-Clara ja Valkanov (2004) esittelivät MIDAS-kehikon, joka mahdollistaa eri taajuuksilla mitatun datan käyttämisen samassa mallissa. MIDAS-malli- kehikon yksi hyödyllinen ominaisuus on, että tilastoinformaatiota ei tarvitse aggregoida ma- talimmalle yhteiselle frekvenssille. Engle, Ghy- sels ja Sohn (2013) esittelivät yksiulotteisen GARCH-MIDAS-mallin volatiliteetille. Colaci- to, Engle ja Ghysels (2011) vuorostaan kehittivät moniulotteisen DCC-MIDAS-mallin (Dynamic Conditional Correlation -malli MIDAS po- lynomilla) korrelaatioille.1 Conrad, Loch ja Rittler (2014) laajensivat mallin sisältämään makrotaloudellisia muuttujia.
GARCH-MIDAS-malli mahdollistaa mata- lataajuisen trendikomponentin erottamisen päi- vätason datasta käyttämällä esimerkiksi kuu- kausitasolla kerättyä makrotaloudellista infor- maatiota. Tämän seurauksena matalan frek- venssin komponentti voidaan tulkita pitkän ai- kavälin trendinä, jonka ympärillä lyhyen aika- välin komponentti vaihtelee. Pidemmän aika- välin mallinnus- ja ennustamisnäkökulmasta on
kiinnostavaa pystyä erottelemaan eri frekvens- sin komponentit ja pystyä ennustamaan esimer- kiksi volatiliteetin trendikomponenttia. Koska pitkän aikavälin komponentti perustuu makro- taloudelliseen ympäristöön, voi näin ollen olla mahdollista parantaa pitkän aikavälin rahoitus- markkinaennusteiden tarkkuutta makrotalou- dellista informaatiota käyttäen.
Väitöskirjassani arvioin empiirisesti, tarjo- aako makrotaloudellisten muuttujien sisältämä informaatio hyödyllistä tietoa rahoitusmarkki- noiden volatiliteetin ja korrelaatioiden ymmär- tämiseksi pidemmällä aikavälillä. Analysoin makrotaloudellisten olosuhteiden vaikutusta osakemarkkinoiden volatiliteettiin sekä osake- markkina- ja valuuttamarkkinatuottojen väli- siin korrelaatioihin. Väitöskirjani keskittyy siis kasvattamaan ymmärrystä volatiliteetin ja kor- relaatioiden pitkän aikavälin vaihtelusta, joka voidaan linkittää makrotaloudelliseen ympä- ristöön. Kaksi ensimmäistä artikkelia keskitty- vät Yhdysvaltojen osakemarkkinoiden volatili- teettiin ja sen pitkän aikavälin ennustamiseen, kun taas kolmas artikkeli tarkastelee neljän merkittävän talousalueen välisiä korrelaatioita.
Ensimmäisessä artikkelissa tutkin makro- taloudellisten muuttujien ja kyselytutkimuk- siin perustuvien luottamuslukujen merkitystä osakemarkkinavolatiliteetin mallintamisessa ja ennustamisessa GARCH-MIDAS mallien avulla. Aiempi kirjallisuus on löytänyt useita hyödyllisiä ennakoivia indikaattoreita osake- markkinoiden volatiliteetille, alkaen mennees- tä toteutuneesta volatiliteetista ja sisältäen sekä makrotaloudellista informaatiota että finanssi- markkinamuuttujia, sekä useasta muuttujasta pääkomponenttianalyysin avulla muodostettu- ja faktoreita. GARCH-MIDAS-malleja käyttä- vä kirjallisuus on keskittynyt sisällyttämään yhden selittävän muuttujan kerrallaan malliin.
1 Tarkempi kuvaus DCC-mallista löytyy esimerkiksi kir- jasta Engle (2009).
Valtaosa muuttujista onnistuu erottamaan vo- latiliteetissa merkittävän trendikomponentin.
On kuitenkin ilmeistä, että eri taloudelliset muuttujat poimivat erilaisen pitkän aikavälin trendin, riippuen muuttujan suhteesta volatili- teettiin. Pitkän aikavälin volatiliteettiennustei- ta voidaan siten pyrkiä parantamaan sisällyttä- mällä erityyppisiä muuttujia samanaikaisesti GARCH-MIDAS-malliin. Artikkelissa keski- tytään vertailemaan makrotaloudellisten muuttujien ja kyselyihin perustuvien luotta- muslukujen ennustekykyä.
Koska tavoitteena on parantaa mallien re- aaliaikaista ennustekykyä, täytyy käytetyn in- formaatiojoukon vastata mahdollisimman hy- vin sitä informaatiojoukkoa, joka olisi ollut käytössä ennusteen tekohetkellä. Siksi käytän niin pitkälle kuin mahdollista makrotaloudel- lisia tilastoja jotka ottavat revisiot huomioon reaaliaikaisesti. Tämä johtaa parempaan esti- moituun sovitteeseen ja hieman tarkempiin ennusteisiin kuin esimerkiksi sellaisen datan käyttö, joka koostuu ensimmäisistä tilastojul- kaisuista.
Tulosten mukaan eteenpäin katsovat muut- tujat ovat tärkeitä, riippumatta siitä, ovatko ne makrotaloudellisia muuttujia vai luottamuslu- kuja. Makrotaloudellisten muuttujien ja luot- tamuslukujen sisältämän informaation yhdis- täminen parantaa usein mallien selityskykyä ja myös mallien ennustekyky paranee monessa tapauksessa. Ennusteparannusten tilastollinen merkitsevyys on kuitenkin heikko, eivätkä tu- lokset näin ollen voimakkaasti puolla useiden muuttujien sisällyttämistä malleihin.
Väitöskirjani toisessa artikkelissa arvioin, kuinka makrotaloudellisten muuttujien ja ra- hoitusmarkkinamuuttujien kyky ennustaa Yh- dysvaltojen osakemarkkinoiden volatiliteettia on muuttunut yli ajan, ja miten nämä muutok-
set liittyvät taloudelliseen ympäristöön. Tar- koituksena on parantaa pitkän aikavälin reaa- liaikaisia volatiliteettiennusteita tunnistamalla ne aikaperiodit tai olosuhteet, jolloin taloudel- liset muuttujat tarkentavat näitä ennusteita.
Useat julkaistut tukimukset vertailevat vo- latiliteettiennusteiden keskimääräistä tark- kuutta pitkien vertailuperiodien yli. Harva tutkimus on kuitenkaan arvioinut, kuinka en- nustetarkkuus muuttuu ajassa. Koska GARCH- MIDAS-malli on käytännössä GARCH-malli, jossa pitkän aikavälin komponentti on ero- teltu makrotaloudellisen datan perusteella, voidaan makrotaloudellisen informaation vai- kutus ennustetarkkuuteen päätellä vertaile- malla GARCH-MIDAS-mallien ennusteita GARCH-mallin ennusteisiin.
GARCH-MIDAS-mallien ennustetarkkuus ei eroa merkittävästi GARCH-mallin ennuste- tarkkuudesta kun ennusteita vertaillaan pitkäl- lä ajanjaksolla. Tämä voi johtua siitä, että mallit todella ennustavat samankaltaisesti yli ajan, mikä viittaisi siihen, että pitkän aikavälin kom- ponentin määritteleminen talousmuuttujien avulla ei ole tärkeää volatiliteettia ennustetta- essa. Toisaalta samankaltainen ennustetarkkuus voi myös olla seurausta siitä, että mallien väli- nen suhteellinen ennustetarkkuus vaihtelee yli ajan, mutta on keskimäärin, pitkän aikavälin yli tarkasteltuna, samankaltaista. Kun tavoitteena on määritellä paras ennustemalli, on tärkeä sel- vittää, kumpi selitys on ilmiön taustalla.
Tulosten perusteella on selvää, että GARCH-MIDAS-mallien suhteellinen ennus- tetarkkuus vaihtelee ajassa, varsinkin silloin kun ennusteita tehdään pitkän aikavälin kuten kuuden tai kahdentoista kuukauden horison- tilla. Koska pitkän aikavälin komponentti riip- puu makrotaloudellisista tekijöistä tai rahoi- tusmarkkinamuuttujista, on mahdollista, että
mallien ennustekyky riippuu myös taloustilan- teesta tai rahoitusmarkkinaympäristöstä. Eten- kin silloin kun volatiliteetti on matalaa, talou- delliset muuttujat parantavat mallien ennuste- tarkkuutta merkittävästi. Taloudelliset muut- tujat parantavat myös ennustetarkkuutta erityi- sesti silloin kun ennustehorisontti on pitkä.
Miten tätä informaatiota voisi hyödyntää parhaan ennustemallin löytämiseksi? Esimer- kiksi erilaiset ennusteiden yhdistämisen stra- tegiat parantavat systemaattisesti ennusteita.
Toisaalta parhaan ennustemallin valinta esi- merkiksi aiemman ennustekyvyn perusteella ei tuota merkittäviä ennusteparannuksia. Ennus- teparannusten tilastollinen merkitsevyys riip- puu myös käytetystä tappiofunktiosta.
Väitöskirjani viimeisessä artikkelissa tar- kastelen, kuinka osakemarkkina- ja valuutta- kurssituottojen välinen korrelaatio muuttuu yli ajan ja miten makrotaloudelliset muuttujat vaikuttavat pitkän aikavälin korrelaatioon. Yh- dysvaltojen lisäksi tarkastelen kysymystä euro- alueella, Japanissa ja Isossa-Britanniassa. Kysy- mys on mielenkiintoinen, sillä aiemman teo- reettisen ja empiirisen kirjallisuuden perus- teella sekä positiivinen että negatiivinen yhteys valuuttamarkkinoiden ja osakemarkkinoiden välillä on mahdollinen. Koska sekä osakemark- kinoihin että valuuttakursseihin vaikuttavat muun muassa kansainvälisten sijoittajien sijoi- tussalkkujen muutokset, voidaan olettaa, että makrotaloudellinen tilanne ja rahoitusmarkki- naympäristö vaikuttavat matalan frekvenssin korrelaatiokomponenttiin.
Artikkelissa arvioin, miksi ja miten pitkän aikavälin korrelaatio muuttuu ajassa. Painopis- te on etenkin kahdessa aiemmin kirjallisuudes- sa esillä olleessa teoriassa, jotka liittyvät sijoit- tajien sijoitussalkkujen uudelleentasapainotta- mismotiiveihin. Ensin tarkastelen niin sanot- tua turvasatamakanavaa, joka liittyy rahoitus- markkinoiden riskinottohalukkuuteen. Toisek- si tarkastelen tuottokanavaa, joka liittyy kor- keampien tuottojen etsintään ja tätä kautta kytkeytyy esimerkiksi keskuspankkien epäta- vanomaiseen rahapolitiikkaan ja etenkin mää- rälliseen keventämiseen. Tutkin artikkelissa myös korrelaatioiden herkkyyttä makrotalou- delliselle ympäristölle, kuten suhdannetilan- teelle ja korkoeroille.
Tulosten mukaan samankaltaiset muuttujat, kuten korkoerot sekä riskinottohalukkuutta ja epätavanomaista rahapolitiikkaa kuvaavat muuttujat, vaikuttavat korrelaatioihin useilla markkinoilla, mutta eri tavalla ja eri mekanis- mien kautta. Esimerkiksi Yhdysvalloissa teo- riat turvasatamakysynnästä että tuottojen et- sinnästä saavat tukea, kun siellä sekä korkeam- pi markkinavolatiliteetti että keskuspankin määrällinen keventäminen vahvistavat negatii- vista korrelaatiota. Japanissa etenkin korkoero suhteessa Yhdysvaltoihin vaikuttaa osake- ja valuuttamarkkinoiden korrelaatioon: negatii- vinen korrelaatio vahvistuu, kun korkoero suh- teessa Yhdysvaltoihin supistuu. Tämän havain- non taustalla voi esimerkiksi vaikuttaa jenin tärkeä rooli rahoitusvaluuttana muun muassa niin kutsutuissa carry trade -strategioissa (eli korkoerokaupassa). □
Lähteet
Colacito, R., Engle, R. F. and Ghysels E. (2011), A component model for dynamic correlations, Journal of Econometrics 164: 45–59.
Conrad, C., Loch, K. and Rittler, D. (2014), On the macroeconomic determinants of long-term vola- tilities and correlations in us stock and crude oil markets, Journal of Empirical Finance 29: 26–40.
Engle, R. F. (2009), Anticipating Correlations: A New Paradigm for Risk Management, Princeton:
Princeton University Press.
Engle, R. F., Ghysels, E. and Sohn, B. (2013), Stock market volatility and macroeconomic fundamen- tals. The Review of Economics and Statistics 95(3): 776–797.
Ghysels, E., Santa-Clara, P. and Valkanov, R. (2004), The MIDAS touch: Mixed data sampling regres- sion models, EFA Meeting 2009, Bergen.
