Iako navedeni pokazatelji daju relativno dobar sa\u017eetak uspje\u0161nosti neke investicije na povijesnim podacima, oni ne daju informaciju kako investicija reagira na tr\u017ei\u0161ni “\u0161ok” (odnosno neo\u010dekivanu promjenu cijene). Drugim rije\u010dima, investitoru je va\u017eno procijeniti kako \u0161okovi utje\u010du na volatilnost (rizik) investicije. Takvu informaciju predstavlja NIC (News Impact Curve) \u2013 odnosno krivulja odziva na \u0161ok.<\/p>\n\n\n\n
U ovom \u0107emo se osvrtu malo detaljnije pozabaviti nekim nu\u017enim detaljima koje je potrebno znati prije odva\u017enog koraka modeliranja, ali i predvi\u0111anja tr\u017ei\u0161nih kretanja, upoznati s izuzetnom snagom krivulje odaziva na \u0161ok (NIC) u preno\u0161enju informacija, te odgovoriti na sljede\u0107a pitanja:<\/p>\n\n\n\n
- \n
- Za\u0161to je va\u017eno vje\u0161to modelirati volatilnost?<\/li>\n\n\n\n
- Koje modele je po\u017eeljno koristiti za modeliranje volatilnosti?<\/li>\n\n\n\n
- \u0160to je asimetri\u010dni utjecaj novosti na volatilnost?<\/li>\n\n\n\n
- \u0160to je zapravo NIC?<\/li>\n\n\n\n
- Kako interpretirati ono \u0161to nam NIC krivulja govori o samoj investiciji, te – jo\u0161 va\u017enije -kako usporediti razli\u010dite investicije na temelju NIC krivulje?<\/li>\n<\/ul>\n\n\n\n
U financijskom svijetu volatilnost predstavlja ni manje ni vi\u0161e nego rizik. Predvi\u0111anje volatilnosti va\u017eno je prilikom:<\/p>\n\n\n\n
- \n
- odabira odre\u0111ene investicije<\/li>\n\n\n\n
- efikasnog upravljanja imovinom<\/li>\n\n\n\n
- odre\u0111ivanja cijena imovine, te posebno vrednovanje izvedenica<\/li>\n<\/ul>\n\n\n\n
Iako \u0107e se ve\u0107ina analiti\u010dara slo\u017eiti da je volatilnost predvidljiva u ve\u0107ini tr\u017ei\u0161ta, ne postoji jedinstven odgovor na pitanje ‘kako bi se ona trebala modelirati’, odnosno kako ljep\u0161e volimo re\u0107i, ‘kojim modelom’?<\/p>\n\n\n\n
Najpopularniji modeli predvi\u0111anja volatilnosti su ARCH modeli (Autoregressive conditional heteroskedasticity model). Jedan od najpoznatijih i najkori\u0161tenijih modela iz razreda ARCH modela je GARCH model (Generalized ARCH). Izuzetno veliku popularnost modela iz GARCH familije nije potrebno posebno obja\u0161njavati, dovoljno je re\u0107i da imaju i Nobelovu nagradu iz ekonomije (2003) za svoj spomenik, a iskreno, nisam niti ja ‘slu\u010dajno’ magistrirala na temi koja se ve\u017ee ba\u0161 za te modele.<\/p>\n\n\n\n
Unato\u010d njihovoj popularnosti, ARCH i GARCH modeli ne mogu modelirati asimetri\u010dni utjecaj novosti, vijesti ili \u0161oka na volatilnost. No, kako kvantificirati ne\u0161to apstraktno poput vijesti? \u0160oka?<\/p>\n\n\n\n
Novost, vijest ili \u0161ok u trenutku t je definirana kao razlika stvarnog i o\u010dekivanog povrata, odnosno kao neo\u010dekivani povrat u trenutku t. Drugim rije\u010dima, novost mo\u017eemo interpretirati kao neo\u010dekivani rast ili pad cijene. Zbog tih dviju ‘mogu\u0107nosti’, jasno je da pozitivan \u0161ok ( neo\u010dekivani rast cijene) sugerira dolazak dobrih vijesti (kamoli sre\u0107e da ih je vi\u0161e), dok negativan \u0161ok ( neo\u010dekivani pad cijene) sugerira dolazak lo\u0161ih vijesti (da ih je barem manje)!<\/p>\n\n\n\n
Asimetri\u010dan utjecaj novosti na volatilnost doga\u0111a se kada neo\u010dekivani pad cijene (lo\u0161e vijesti) pove\u0107ava (predvidljivu) volatilnost vi\u0161e nego neo\u010dekivani porast cijene (dobre vijesti) iste veli\u010dine.<\/p>\n\n\n\n
Naime, mnoge investicijske pozicije kojima se mo\u017ee upravljati unutar okvira paritetnog rizika (vratit \u0107u se uskoro i toj va\u017enoj temi koja trenutno \u010dini zna\u010dajni dio mog znanstveno-istra\u017eiva\u010dkog rada), mogu biti podlo\u017ene iznenadnim gubicima koji mogu neutralizirati prija\u0161nje dobitke. Takvu pojavu nazivamo asimetri\u010dni rizik (skewness risk) budu\u0107i da u takvim slu\u010dajevima povijesna distribucija povrata izra\u017eava nagla\u0161enu negativnu ili lijevu asimetri\u010dnost. U tom kontekstu, ukoliko istra\u017eiva\u010d ili analiti\u010dar za potrebe modeliranja koristi:<\/p>\n\n\n\n
- \n
- model simetri\u010dnih povrata ili tankih, ne-debelih repova;<\/li>\n\n\n\n
- mjeru rizika koja NE razlikuje lijevi rep od onog desnog,<\/li>\n<\/ul>\n\n\n\n
izla\u017ee se ne jednom, ve\u0107 dva mogu\u0107a izvora budu\u0107ih gubitaka budu\u0107i da niti model (a) niti mjera rizika (b) ne mogu ‘uhvatiti’ asimetri\u010dnost tr\u017ei\u0161nih povrata. Naime, za takve pozicije, ali i portfelje, tradicionalne metode bazirane na volatilnosti kao mjeri rizika ne funkcioniraju dobro, jer volatilnost daje neku op\u0107u, sveobuhvatnu mjeru disperzije koja je u potpunosti simetri\u010dna u prirodi. Tako\u0111er, standardna devijacija ili volatilnost je dobar indikator rizika za distribucije (pona\u0161anja) s tankim ili Normalnim repovima, ali u prisutnosti debelih repova nije svakako dovoljno dobro rje\u0161enje.<\/p>\n\n\n\n
Kao jedan od vrlo \u010destih problema u kvantitativnim financijama, a posebno za potrebe ovog teksta u slu\u010daju dinamike povrata neke imovine, potreban nam je okvir za modeliranje koji dopu\u0161ta distribucije povrata koje su asimetri\u010dne. Imamo li takvih? Naravno da ima, iako su nam za njihovo razumijevanje potrebna malo ja\u010da analiti\u010dka i matemati\u010dka znanja.<\/p>\n\n\n\n
Kao jednu od mogu\u0107nosti, navest \u0107emo EGARCH model iz familije GARCH modela je asimetri\u010dan, drugim rije\u010dima, on mo\u017ee modelirati asimetri\u010dni utjecaj novosti na volatilnost. Druga prednost EGARCH modela je \u0161to ‘dozvoljava’ da velike vijesti imaju ve\u0107i utjecaj na volatilnost.<\/p>\n\n\n\n
Postoji jo\u0161 modela koji mogu modelirati asimetri\u010dan utjecaj novosti ili \u0161okova, a jedan od poznatijih je GJR-GARCH model.<\/p>\n\n\n\n
Krivulja odaziva na \u0161ok (skra\u0107eno NIC – News Impact Curve) za odre\u0111eno razdoblje predstavlja informaciju koliko brzo i u kojoj mjeri vrijednost ili performans neke investicije (npr. investicijskog fonda) reagira na novosti ili vanjske doga\u0111aje kroz promatrani period.<\/p>\n\n\n\n
Primjer. Usporedba dva dioni\u010dka fonda<\/h5>\n\n\n\n
Za primjenu NIC-a odabrana su dva dioni\u010dka fonda, nazovimo ih Fond 1 i Fond 2. Ovo su vrijednosti glavnih pokazatelja fondova:<\/p>\n\n\n\n
![\"\"](\"https:\/\/finquant.hr\/wp-content\/uploads\/2024\/01\/metrike_fondova.png\")
<\/figure>\n\n\n\nFond 1 ima manji rizik te ve\u0107i prosje\u010dni godi\u0161nji povrat i ve\u0107i Sharpeov omjer u istom periodu.
No, kakva je osjetljivost pojedinih fondova na \u0161okove? Za modeliranje volatilnosti koristit \u0107emo GARCH, EGARCH i GJR-GARCH modele, te usporediti ima li isti fond strmiju krivulju na odaziv ovisno o modelu u razmatranju.<\/p>\n\n\n\n\n ![\"\"](\"https:\/\/finquant.hr\/wp-content\/uploads\/2024\/01\/garch.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/finquant.hr\/wp-content\/uploads\/2024\/01\/egarch2.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/finquant.hr\/wp-content\/uploads\/2024\/01\/gjr.png\")
<\/figure>\n<\/figure>\n\n\n\nNIC-ovi svih modela su konzistentni, krivulja Fonda 1 je strmija za sve modele! \u0160to nam to govori?
Va\u017eno je primijetiti da je NIC GARCH modela – simetri\u010dna. GARCH model jednako modelira utjecaj negativnih i pozitivnih novosti – on ne mo\u017ee modelirati asimetri\u010dnost koju mogu modelirati EGARCH i GJR-GARCH.
Kako se mo\u017ee interpretirati strmija NIC krivulja jednog fonda u odnosu na drugi? Vi\u0161e je mogu\u0107nosti pa navodimo najosnovnije:<\/p>\n\n\n\n- \n
- Ve\u0107a osjetljivost na vijesti <\/strong>– Strmija krivulja ukazuje na to da je fond osjetljiviji na vijesti ili doga\u0111aje. Br\u017ee reagira na promjene u vanjskom okru\u017eenju, bile one pozitivne ili negativne.<\/li>\n\n\n\n
- Brze promjene cijena<\/strong> – \u0160to je krivulja strmija, to se vrijednost fonda br\u017ee prilago\u0111ava kao odgovor na nove informacije. Ulaga\u010di u fond sa strmijom krivuljom utjecaja vijesti mogu do\u017eivjeti br\u017ee i potencijalno ve\u0107e promjene cijene u kra\u0107em razdoblju.<\/li>\n\n\n\n
- Ve\u0107a volatilnost<\/strong> – Strmije krivulje \u010desto ukazuju na ve\u0107u volatilnost. Volatilnost je stupanj odstupanja u seriji cijena trgovanja tijekom vremena. Ako je krivulja utjecaja vijesti strma, to zna\u010di da je vrijednost fonda podlo\u017ena zna\u010dajnijim fluktuacijama.<\/li>\n\n\n\n
- Tr\u017ei\u0161na percepcija <\/strong>– Strmija krivulja utjecaja vijesti mo\u017ee zna\u010diti da tr\u017ei\u0161te smatra da fond bolje reagira na vijesti, a ulaga\u010di brzo prilago\u0111avaju svoje pozicije na temelju novih informacija.<\/li>\n\n\n\n
- Profil rizika i prinosa<\/strong> – Fondovi sa strmijim krivuljama utjecaja vijesti op\u0107enito su povezani s ve\u0107im rizikom. Iako ve\u0107a osjetljivost na vijesti mo\u017ee dovesti do brzih dobitaka, ona tako\u0111er pove\u0107ava potencijal za gubitke.<\/li>\n<\/ul>\n\n\n\n
Je li to sve \u0161to trebamo znati glede na\u0161e NIC-ice? Naravno da nije, no bez ovih saznanja bolje niti ne krenuti u investicijsku utrku. Svakako je va\u017eno napomenuti da tuma\u010denje krivulje utjecaja vijesti treba raditi u kontekstu odre\u0111enih fondova i tr\u017ei\u0161nih uvjeta. Osim toga, uvijek je va\u017eno istaknuti da dosada\u0161nji performans ne jam\u010di budu\u0107e rezultate, stoga bi ulaga\u010di trebali pa\u017eljivo razmotriti svoju toleranciju na rizik i ciljeve ulaganja prije dono\u0161enja odluka na temelju ovih krivulja.<\/p>\n","protected":false},"excerpt":{"rendered":"
Uvod Ukupni povrat, rizik (naj\u010de\u0161\u0107e i dalje nedovoljno precizno mjeren standardnom devijacijom povrata) i Sharpeov omjer (o kojem sam u vi\u0161e svojih osvrta detaljno pisala, kako o prednostima tako i mogu\u0107im nedostacima) naj\u010de\u0161\u0107e su kori\u0161teni pokazatelji za usporedbu uspje\u0161nosti neke investicije, po\u010dev\u0161i od dionica, pa preko investicijskih portfelja, ETF-ova, investicijskih fondova (\u2026). Iako navedeni pokazatelji […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"_links":{"self":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/250"}],"collection":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/finquant.hr\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=250"}],"version-history":[{"count":4,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/250\/revisions"}],"predecessor-version":[{"id":258,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/250\/revisions\/258"}],"wp:attachment":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=250"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Brze promjene cijena<\/strong> – \u0160to je krivulja strmija, to se vrijednost fonda br\u017ee prilago\u0111ava kao odgovor na nove informacije. Ulaga\u010di u fond sa strmijom krivuljom utjecaja vijesti mogu do\u017eivjeti br\u017ee i potencijalno ve\u0107e promjene cijene u kra\u0107em razdoblju.<\/li>\n\n\n\n
- Ve\u0107a osjetljivost na vijesti <\/strong>– Strmija krivulja ukazuje na to da je fond osjetljiviji na vijesti ili doga\u0111aje. Br\u017ee reagira na promjene u vanjskom okru\u017eenju, bile one pozitivne ili negativne.<\/li>\n\n\n\n