Metadaten







Promotionsordnung


PromO94

Kumulative Dissertation


nein

Titel


Forecasting Asset Returns in State Space Models

Titel (englisch)



Autor/Autorin


Boos, Dominik

2. Autor/Autorin



Geburtsdatum


09.11.1973

Geburtsort



Matrikelnummer


93-807-782

Schlagwörter (GND)


Zinsstrukturtheorie; Rendite; Prognoseverfahren; Maximum-Likelihood-Schätzung; Kalman-Filter; Zustandsraum

DDC (Dewey Decimal Classification)


Wirtschaft - 330

Freie Stichwörter (deutsch)


Risikoanteil; Risikoprämie

Freie Stichwörter (englisch)


Kalman filter; state space model; risk premium

Kurzfassung


Erwartungen über die zukünftige Entwicklung der Wirtschaft sind von herausragender Bedeutung, um in einem stochastischen Umfeld die richtigen Entscheidungen zu treffen. Daher werden Prognoseverfahren seit langem erforscht. Grösstenteils basieren diese Untersuchungen auf Regressionstechniken wie OLS und GMM.
In dieser Arbeit schlage ich einen anderen Ansatz vor: Zustandsmodelle und deren Schätzung mittels der auf dem Kalman-Filter basierenden Maximum-Likelihood-Methode. Die beiden Techniken sind zwar oft identisch, jedoch wenn Daten nur mit einem Messfehler beobachtet werden können oder ein saisonales Muster aufweisen, ist der Zustandsmodell-Ansatz klar überlegen. Nur das Zustandsmodell separiert das wahre Signal vom Messfehler. Da nur das Signal für die Prognose relevant ist, kann die Vorhersagequalität dadurch deutlich verbessert werden.
Insbesondere verwende ich Zustandsmodelle, um affine Zinsmodelle zu schätzen. Die daraus resultierenden Renditeprognosen für langfristige Obligationen sind viel zuverlässiger als jene aus linearen Regressionen, obwohl das Stichproben-R² deutlich tiefer ist. Ausserdem finde ich erhebliche Prognosekraft des Modells für long/short Portfolios. Diese kann mittels linearer Regression nicht sauber herausgearbeitet werden.
Im Weiteren werden affine Zinsmodelle verallgemeinert, sodass sie persistente Schocks oder Zustandsvariablen, die nicht durch die Zinsen aufgespannt werden, enthalten können. Dabei kann erstens die Renditeprognose durch die zusätzlichen Faktoren erheblich verbessert werden. Insbesondere steigt das R² der Laufzeitprämie auf über 30 %. Zweitens leite ich ein Modell her, das sowohl die Zinsen als auch den Aktienmarkt beschreibt, wobei die Dividendenrendite als zusätzliche Zustandsvariable dient. Dieses Modell benutzt die Campbell-Shiller-Linearisierung. Drittens erweitere ich den Querschnitt über die einzelnen Anlagen, indem ich Buchwert/Preis-sortierte Portfolios mit einbeziehe. Dieses Modell liefert erhebliche Evidenz für eine Prognostizierbarkeit des Dividendenwachstums. Sobald das Modell diese Eigenschaft abzubilden vermag, kann es auch einen wesentlichen Teil der Value-Prämie durch eine erhöhte Kovarianz von Value-Titeln mit dem einzigen persistenten Schock im System erklären.
Schliesslich benutze ich in dieser Arbeit Rangreduktions-Techniken, um das Prognosemuster zu beschreiben. Diese Analyse schält mindestens zwei unabhängige Prognosefaktoren heraus: die Laufzeit- und die Aktienmarktprämie.

Kurzfassung (englisch)


Expectations about the future evolution of the economy are of immense importance for taking the right decisions in a stochastic environment. Econometricians have long been studying forecasting techniques to this end. Most of this work is based on regression techniques such as OLS or GMM.
I propose a different approach: state-space models and their estimation by means of maximum likelihood using the Kalman filter. While the two techniques are often identical in an environment with clean data; state-space models are clearly superior if the observed data is affected by measurement error or displays a seasonal pattern. In this case, state-space models allow the separation of the true underlying signal from the measurement noise. As only the signal is relevant for prediction, this can considerably improve the quality of the forecast.
In particular, I use the state space framework to estimate affine yield curve models and find that the implied return forecasts for long bonds is much more reliable than that implied by a linear regression, although the implied insample R² is lower. Moreover, I detect substantial predictability of long/short portfolios not properly revealed by a linear regression.
I then generalize the affine yield curve models such that they can include persistent shocks or state variables not spanned by yields. Firstly, these unspanned factor models are used to further improve the yield-cure forecast by including expected inflation as an additional state variable. In this model, the R² of the annual term premium forecast is above 30 percent. Secondly, I build a joint stock-bond model that merges the yield curve model with a stock market model using the price-dividend ratio as an additional variable. This is achieved by linearization using the Campbell-Shiller approximation. Thirdly, the cross-section of assets is enlarged by including size and book-to-market sorted portfolios. This model provides evidence for substantial variation in the dividend growth rate. Once the model captures this feature, it is able to explain a large fraction of the value premium by a higher exposure of value stocks to the single persistent shock of the system.
Finally, this thesis uses rank-reduction techniques to explore the return predictability pattern. This analysis provides strong evidence for at least two independent predictability factors: the term premium and the equity premium.

Universität


Universität St.Gallen

Referent/Referentin


Keel, Alex (Prof. Dr.)

Korreferent/Korreferentin


Söderlind, Paul (Prof. PhD)

Erweitertes Diss. Komitee



Fachgebiet


Wirtschaftswissenschaften

Sprache


ENG

Promotionstermin (dd.mm.yyyy)


21.02.2011

Erstellungsjahr (yyyy)


2011

Dokumentart


Dissertation

Format


PDF

Dissertationsnummer


3812

Quelle



PDF-File


dis3812.pdf

Dokumentverknüpfung


Link zu diesem Dokument







letzte Änderung: 04/29/2014 - Allgemeine rechtliche Informationen - Datenschutz [ Nach oben ]