A Multiresolution Analysis of Stock Market Volatility Using Wavelet Methodology

Show full item record



Permalink

http://hdl.handle.net/10138/11047
Title: A Multiresolution Analysis of Stock Market Volatility Using Wavelet Methodology
Author: Vuorenmaa, Tommi
Contributor: University of Helsinki, Faculty of Social Sciences, Department of Political Science
Date: 2004-09-22
URI: http://hdl.handle.net/10138/11047
Thesis level: Licentiate thesis
Abstract: The non-stationary character of stock market returns manifests itself through the volatility clustering effect and large jumps. An efficient way of representing a time series with such complex dynamics is given by wavelet methodology. With the help of a wavelet basis, the discrete wavelet transform (DWT) is able to break a time series with respect to a time-scale while preserving the time dimension and energy unlike the traditional Fourier transform which 'trades' time for frequency. Time-scale specific information is important if one accepts the view that stock market consists of heterogenous investors operating at different time-scales. In that case considerable more insight into the volatility dynamics is gained by looking at the data at several time-scales. At small time-scales, in particular, the locality of wavelet analysis allows one to fully exploit high-frequency data. Wavelet transforms are also fast to calculate, so they are ideally suited for analyzing large data sets. The 'large-scale aim' of this licentiate thesis is to first introduce wavelet methodology to econometricians and then to analyze stock market volatility with it. In more detail, the data consists of 5-minute observations of the liquid Nokia Oyj stock at the Helsinki Stock Exchange (HEX). Several microstructure problems have to be dealt with, some characteristic of the HEX. Pre-filtered volatility series is then being analyzed by the 'maximal overlap' DWT to study both the global and local scaling laws in a turbulent 'IT-bubble' (1999 - 2000) and its calmer aftermath period (2001 - 2002). Significant time-scale specific differences between these two periods are found. The global scaling laws may not be time-invariant as usually claimed. The bubble period also experienced stronger long-memory in volatility than its aftermath. Thus long-memory may be time-varying as well. Such a finding can be applied in a locally stationary stochastic volatility model. Finally, the effects of the intraday volatility periodicity are studied and they are also found to be significant.Rahoitusaikasarjat ovat luonteeltaan epästationaarisia, mikä ilmenee volatiliteetin kasautumisena ja suurina hyppyinä. Wavelet-menetelmä soveltuu hyvin tällaisten hankalien aikasarjojen analysointiin toisin kuin esimerkiksi traditionaalinen Fourier-menetelmä, joka muunnosta tehtäessä tuhoaa aika-ulottuvuuden. Wavelet-muunnos säilyttää ajan ja tuo yhden ulottuvuuden lisää: aikaskaalan. 'Wavelet-multiresoluutioanalyysillä' voidaankin tarkastella aikasarjaa useilla aikaskaaloilla. Koska osakemarkkinat koostuvat aikaskaalan suhteen heterogeenisista sijoittajista, volatiliteetin käyttäytymistä voidaan tutkia syvällisemmin. Tätä päämäärää edesauttaa viime vuosina saataville tullut 'korkeataajuinen' data, joka sopii oivallisesti wavelet-analyysin raaka-aineeksi. Edes datan suuri määrä ei ole ongelma, koska wavelet-muunnokset ovat nopeita laskea. Tämän lisensiaattityön tarkoituksena on esitellä wavelet-menetelmä ekonometrikoille. Teoriaa havainnollistetaan Helsingin pörssissä (HEX) toteutuneiden Nokia Oyj -osakekauppojen avulla, jotka on poimittu likvideiltä markkinoilta viiden minuutin välein. Tutkimustulosten mielekkyyden varmistamiseksi markkinoiden mikrorakenteeseen liittyviä seikkoja oli otettava huomioon. Näistä eräät ovat ominaisia HEX:lle. Wavelet-analyysi paljastaa, että volatiliteetti IT-kuplan puhkeamista ennen (1999 - 2000) ja sen jälkeen (2001 - 2002) poikkeaa merkittävästi toisistaan tietyillä aikaskaaloilla. Skaalauslaitkaan eivät välttämättä ole aikainvariantteja kuten normaalisti oletetaan. Koska kuplan puhkeamista lisäksi edelsi voimakkaampi volatiliteetin pitkämuistisuus kuin jälkimmäisellä jaksolla, muistikin muuttuu ajassa. Tätä tietoa voidaan hyödyntää lokaalisesti stationaarisen stokastisen volatiliteetin mallin avulla. Myös volatiliteetin periodisuudella näytetään olevan merkitystä lopputuloksiin.
Description: Endast sammandrag. Inbundna avhandlingar kan sökas i Helka-databasen (http://www.helsinki.fi/helka). Elektroniska kopior av avhandlingar finns antingen öppet på nätet eller endast tillgängliga i bibliotekets avhandlingsterminaler.Only abstract. Paper copies of master’s theses are listed in the Helka database (http://www.helsinki.fi/helka). Electronic copies of master’s theses are either available as open access or only on thesis terminals in the Helsinki University Library.Vain tiivistelmä. Sidottujen gradujen saatavuuden voit tarkistaa Helka-tietokannasta (http://www.helsinki.fi/helka). Digitaaliset gradut voivat olla luettavissa avoimesti verkossa tai rajoitetusti kirjaston opinnäytekioskeilla.
Subject: high-frequency data
long-memory
stock markets
time-scales
volatility
wavelets
aikaskaala
korkeataajuinen data
osakemarkkinat
pitkä muisti
volatiliteetti
waveletit


Files in this item

Total number of downloads: Loading...

Files Size Format View
abstract_en.pdf 48.75Kb PDF View/Open
abstract_fi.pdf 48.71Kb PDF View/Open

This item appears in the following Collection(s)

Show full item record