Uvod
Ukupni povrat, rizik (najčešće i dalje nedovoljno precizno mjeren standardnom devijacijom povrata) i Sharpeov omjer (o kojem sam u više svojih osvrta detaljno pisala, kako o prednostima tako i mogućim nedostacima) najčešće su korišteni pokazatelji za usporedbu uspješnosti neke investicije, počevši od dionica, pa preko investicijskih portfelja, ETF-ova, investicijskih fondova (…).
Iako navedeni pokazatelji daju relativno dobar sažetak uspješnosti neke investicije na povijesnim podacima, oni ne daju informaciju kako investicija reagira na tržišni “šok” (odnosno neočekivanu promjenu cijene). Drugim riječima, investitoru je važno procijeniti kako šokovi utječu na volatilnost (rizik) investicije. Takvu informaciju predstavlja NIC (News Impact Curve) – odnosno krivulja odziva na šok.
U ovom ćemo se osvrtu malo detaljnije pozabaviti nekim nužnim detaljima koje je potrebno znati prije odvažnog koraka modeliranja, ali i predviđanja tržišnih kretanja, upoznati s izuzetnom snagom krivulje odaziva na šok (NIC) u prenošenju informacija, te odgovoriti na sljedeća pitanja:
- Zašto je važno vješto modelirati volatilnost?
- Koje modele je poželjno koristiti za modeliranje volatilnosti?
- Što je asimetrični utjecaj novosti na volatilnost?
- Što je zapravo NIC?
- Kako interpretirati ono što nam NIC krivulja govori o samoj investiciji, te – još važnije -kako usporediti različite investicije na temelju NIC krivulje?
U financijskom svijetu volatilnost predstavlja ni manje ni više nego rizik. Predviđanje volatilnosti važno je prilikom:
- odabira određene investicije
- efikasnog upravljanja imovinom
- određivanja cijena imovine, te posebno vrednovanje izvedenica
Iako će se većina analitičara složiti da je volatilnost predvidljiva u većini tržišta, ne postoji jedinstven odgovor na pitanje ‘kako bi se ona trebala modelirati’, odnosno kako ljepše volimo reći, ‘kojim modelom’?
Najpopularniji modeli predviđanja volatilnosti su ARCH modeli (Autoregressive conditional heteroskedasticity model). Jedan od najpoznatijih i najkorištenijih modela iz razreda ARCH modela je GARCH model (Generalized ARCH). Izuzetno veliku popularnost modela iz GARCH familije nije potrebno posebno objašnjavati, dovoljno je reći da imaju i Nobelovu nagradu iz ekonomije (2003) za svoj spomenik, a iskreno, nisam niti ja ‘slučajno’ magistrirala na temi koja se veže baš za te modele.
Unatoč njihovoj popularnosti, ARCH i GARCH modeli ne mogu modelirati asimetrični utjecaj novosti, vijesti ili šoka na volatilnost. No, kako kvantificirati nešto apstraktno poput vijesti? Šoka?
Novost, vijest ili šok u trenutku t je definirana kao razlika stvarnog i očekivanog povrata, odnosno kao neočekivani povrat u trenutku t. Drugim riječima, novost možemo interpretirati kao neočekivani rast ili pad cijene. Zbog tih dviju ‘mogućnosti’, jasno je da pozitivan šok ( neočekivani rast cijene) sugerira dolazak dobrih vijesti (kamoli sreće da ih je više), dok negativan šok ( neočekivani pad cijene) sugerira dolazak loših vijesti (da ih je barem manje)!
Asimetričan utjecaj novosti na volatilnost događa se kada neočekivani pad cijene (loše vijesti) povećava (predvidljivu) volatilnost više nego neočekivani porast cijene (dobre vijesti) iste veličine.
Naime, mnoge investicijske pozicije kojima se može upravljati unutar okvira paritetnog rizika (vratit ću se uskoro i toj važnoj temi koja trenutno čini značajni dio mog znanstveno-istraživačkog rada), mogu biti podložne iznenadnim gubicima koji mogu neutralizirati prijašnje dobitke. Takvu pojavu nazivamo asimetrični rizik (skewness risk) budući da u takvim slučajevima povijesna distribucija povrata izražava naglašenu negativnu ili lijevu asimetričnost. U tom kontekstu, ukoliko istraživač ili analitičar za potrebe modeliranja koristi:
- model simetričnih povrata ili tankih, ne-debelih repova;
- mjeru rizika koja NE razlikuje lijevi rep od onog desnog,
izlaže se ne jednom, već dva moguća izvora budućih gubitaka budući da niti model (a) niti mjera rizika (b) ne mogu ‘uhvatiti’ asimetričnost tržišnih povrata. Naime, za takve pozicije, ali i portfelje, tradicionalne metode bazirane na volatilnosti kao mjeri rizika ne funkcioniraju dobro, jer volatilnost daje neku opću, sveobuhvatnu mjeru disperzije koja je u potpunosti simetrična u prirodi. Također, standardna devijacija ili volatilnost je dobar indikator rizika za distribucije (ponašanja) s tankim ili Normalnim repovima, ali u prisutnosti debelih repova nije svakako dovoljno dobro rješenje.
Kao jedan od vrlo čestih problema u kvantitativnim financijama, a posebno za potrebe ovog teksta u slučaju dinamike povrata neke imovine, potreban nam je okvir za modeliranje koji dopušta distribucije povrata koje su asimetrične. Imamo li takvih? Naravno da ima, iako su nam za njihovo razumijevanje potrebna malo jača analitička i matematička znanja.
Kao jednu od mogućnosti, navest ćemo EGARCH model iz familije GARCH modela je asimetričan, drugim riječima, on može modelirati asimetrični utjecaj novosti na volatilnost. Druga prednost EGARCH modela je što ‘dozvoljava’ da velike vijesti imaju veći utjecaj na volatilnost.
Postoji još modela koji mogu modelirati asimetričan utjecaj novosti ili šokova, a jedan od poznatijih je GJR-GARCH model.
Krivulja odaziva na šok (skraćeno NIC – News Impact Curve) za određeno razdoblje predstavlja informaciju koliko brzo i u kojoj mjeri vrijednost ili performans neke investicije (npr. investicijskog fonda) reagira na novosti ili vanjske događaje kroz promatrani period.
Primjer. Usporedba dva dionička fonda
Za primjenu NIC-a odabrana su dva dionička fonda, nazovimo ih Fond 1 i Fond 2. Ovo su vrijednosti glavnih pokazatelja fondova:
Fond 1 ima manji rizik te veći prosječni godišnji povrat i veći Sharpeov omjer u istom periodu.
No, kakva je osjetljivost pojedinih fondova na šokove? Za modeliranje volatilnosti koristit ćemo GARCH, EGARCH i GJR-GARCH modele, te usporediti ima li isti fond strmiju krivulju na odaziv ovisno o modelu u razmatranju.
NIC-ovi svih modela su konzistentni, krivulja Fonda 1 je strmija za sve modele! Što nam to govori?
Važno je primijetiti da je NIC GARCH modela – simetrična. GARCH model jednako modelira utjecaj negativnih i pozitivnih novosti – on ne može modelirati asimetričnost koju mogu modelirati EGARCH i GJR-GARCH.
Kako se može interpretirati strmija NIC krivulja jednog fonda u odnosu na drugi? Više je mogućnosti pa navodimo najosnovnije:
- Veća osjetljivost na vijesti – Strmija krivulja ukazuje na to da je fond osjetljiviji na vijesti ili događaje. Brže reagira na promjene u vanjskom okruženju, bile one pozitivne ili negativne.
- Brze promjene cijena – Što je krivulja strmija, to se vrijednost fonda brže prilagođava kao odgovor na nove informacije. Ulagači u fond sa strmijom krivuljom utjecaja vijesti mogu doživjeti brže i potencijalno veće promjene cijene u kraćem razdoblju.
- Veća volatilnost – Strmije krivulje često ukazuju na veću volatilnost. Volatilnost je stupanj odstupanja u seriji cijena trgovanja tijekom vremena. Ako je krivulja utjecaja vijesti strma, to znači da je vrijednost fonda podložna značajnijim fluktuacijama.
- Tržišna percepcija – Strmija krivulja utjecaja vijesti može značiti da tržište smatra da fond bolje reagira na vijesti, a ulagači brzo prilagođavaju svoje pozicije na temelju novih informacija.
- Profil rizika i prinosa – Fondovi sa strmijim krivuljama utjecaja vijesti općenito su povezani s većim rizikom. Iako veća osjetljivost na vijesti može dovesti do brzih dobitaka, ona također povećava potencijal za gubitke.
Je li to sve što trebamo znati glede naše NIC-ice? Naravno da nije, no bez ovih saznanja bolje niti ne krenuti u investicijsku utrku. Svakako je važno napomenuti da tumačenje krivulje utjecaja vijesti treba raditi u kontekstu određenih fondova i tržišnih uvjeta. Osim toga, uvijek je važno istaknuti da dosadašnji performans ne jamči buduće rezultate, stoga bi ulagači trebali pažljivo razmotriti svoju toleranciju na rizik i ciljeve ulaganja prije donošenja odluka na temelju ovih krivulja.