利用掉期信息预测掉期利率波动

BIS工作文件 编号1068 利用掉期信息预测掉期利率波动 刘阿曼达和谢金明 货币和经济部 2023年1月 JEL分类：C23，G11，G12。 关键词：互换，无模型隐含波动率，预测回归，利率互换利率 国际清算银行工作文件由国际清算银行货币和经济部门的成员撰写，并不时由其他经济学家撰写 ，并由银行出版。这些论文涉及的主题是热门主题，具有技术性。其中表达的观点是作者的观点 ，不一定是国际清算银行的观点。 该出版物可在BIS网站（www.bis.org）上获得。 ©BankforInternationalSettlements2023.Allrightsreserved.Briefexcerptsmaybereplicatedortranslatedprovidedthesourceisstated. ISSN1020-0959(打印) ISSN1682-7678(在线) 利用掉期信息预测掉期利率波动∗ 阿曼达Liu†谢金明‡,§ ∗我们感谢SirioAramote，KaloCha，AdreasShrimpf，KaramfilTodorov，DoraXia和SoyaZh的深刻见解和建设性意见。我们还受益于与2021年国际期货和衍生品会议和国际清算银行研讨会参与者的讨论。谢金明在香港中文大学金融系时完成了部分工作。所表达的观点是作者的观点，不一定反映国际清算银行或中国银行的观点。 †国际清算银行亚洲及太平洋代表处，香港 ‡中国银行香港金融研究所 §通讯作者。中国银行香港金融研究所，香港花园路1号中国银行大厦11楼。电子邮件：xiejinming@bochk.com Abstract 我们从基础掉期利率的未来已实现波动率的掉期中考察了无模型隐含波动率的可预测性。无模型的隐含波动率表明，在整个期限的广泛横截面上，掉期利率的未来已实现波动率具有显着的可预测性。无模型隐含波动率的预测能力优于滞后实现波动率和GARCH型条件波动率的预测能力。在不同的市场状态和更长的预测范围内，无模型隐含波动率的优越预测能力也超出了样本。 JEL分类:C23,G11,G12 关键词：互换，无模型隐含波动率，预测回归，利率互换利率 1.Introduction 波动率预测对于金融投资和风险管理具有重要意义。一方面，波动性对于投资组合管理至关重要 ，因为它是投资者在做出投资决策和创建投资组合时的重要考虑因素。对投资持有期波动的良好预测对于评估投资风险至关重要。另一方面，波动率预测有助于风险管理。考虑到对未来波动的良好预测，人们可能会获得对风险价值（VaR）或预期缺口的适当估计。 利率互换是场外衍生品市场中最大的细分市场之一。从2016年到2022年，场外市场的利率衍生品交易量增加了一倍以上（McGuire（2022））。到2020年底，总的未偿还名义价值超过460万亿美元。1掉期利率在 全球金融体系，因为它们反映了主要金融机构的融资成本。 在本文中，我们利用了场外交换2数据来构建无模型隐含波动率，并检查其对不同期限的利率互换利率未来已实现波动率的预测能力。 具有内在的事前前瞻性特征，期权隐含波动率包含有关未来已实现波动率的有用信息。有大量文献研究了股票市场中期权隐含波动率的信息含量。在早期的工作中，所使用的隐含波动率要么只是货币期权的隐含波动率，要么是接近货币期权的隐含波动率的加权平均值（Christese和Prabhala（1998））。后来，Demeterfi，Derma，Kamal和Zo（1999），Carr和Mada（2001 ），Britte-Joes和Neberger（2000）以及Jiag和Tia（2005）引入了无模型隐含波动率测度 。自那时以来，无模型隐含波动率对未来已实现波动率的可预测性得到了广泛的研究。3这些研究表明，期权隐含波动率提供了更有用的 1国际情绪银行：场外衍生品统计。(https://stats.bis.org/statx/srs/table/d7) 2掉期是指进行利率掉期或其他一些类型掉期的选择权。 3自从CBOE期权交易所引入VIX以来，全球大多数交易所都通过适应VIX的计算方法推出了自己的波动率指数。Kortis、Marellos和Symeoidis(2016)研究了不同国家/地区的期权隐含波动率指数的信息含量。Waye、Li和Wag(2010)比较了期权交易场外交易的信息。 预测股票市场未来已实现波动性的信息。 相比之下，对互换市场的研究较少。TrolleadSchwartz(2014)vestigatethedyamicoftheswapratemometsimplicatedfromswaptiodataaddocmetthe负方差风险溢价forswaprates.Grishcheo,Sog,adZho(2017)发现互换利率方差风险溢价对未来Trea-sry债券收益具有预测能力。我们的研究通过检查从不同期限的掉期利率的未来已实现波动率的掉期估计的无模型隐含波动率的预测能力来补充文献。 我们从摩根大通获得了丰富的美元互换立方体数据集，摩根大通是利率衍生品市场上最大的交易商间经纪人之一。掉期数据每日频次，有19种不同的基础掉期期限，从1个月到30年不等 ，有25种不同的到期期限，从1周到30年不等。对于每个到期和每个基础利率互换，有7种不同的执行利率。依靠这样一组丰富的场外互换立方体数据，我们计算了不同期限互换利率的无模型隐含波动率，其到期时间不同。 我们专注于研究无模型隐含波动率对潜在掉期利率未来已实现波动率的预测能力。单独使用时，无模型隐含波动率在统计和经济上都显示出不同期限掉期利率的提前1个月实现波动率的显着可预测性，补充了股票和外汇市场的发现（例如ProcedreJorio(1995))。此外，来自掉期的无模型隐含波动率是未来已实现波动率的向上偏向预测因子。 然后，我们将无模型隐含波动率的可预测性与其他两个预测因子进行比较：滞后的已实现波动率和从一组GARCH模型估计的条件波动率。尽管这两种替代预测因子对未来已实现波动率具有很强的预测能力，但无模型隐含波动率的表现优于所有这些指标。特别是，使用无模型隐含波动率进行预测时，样本内调整后的R平方要比使用滞后的已实现波动率或使用GARCH型条件波动率进行预测时要高得多。此外，在无模型隐含波动率的情况下，加入滞后的已实现波动率或。 在香港特区和日本的交易所交易。 GARCH型条件波动率既不会削弱无模型隐含波动率的影响，也不会提高预测性能。 除了各种样本内测试和模型比较之外，我们还通过比较来自不同预测模型的预测的均方根误差来检查样本外表现。无模型输入波动率的优越预测性能也存在样本外。以无模型隐含波动率作为预测因子的线性预测模型所产生的均方根误差不仅显著低于以预测为历史均值的基准模型,但也显著低于替代预测模型的预测模型，在这些模型中，要么使用滞后的已实现波动率，要么使用GARCH型条件波动率作为预测因子。在无模型隐含波动率的情况下，添加替代预测因子并不能进一步显着降低均方根误差。 无模型隐含波动率的优越可预测性在不同的市场状态下是稳健的。当市场处于经济周期衰退或货币政策不确定性较高时，无模型隐含波动率表现出较好的预测性能。最后，当我们将预测范围从1个月扩展到3个月，6个月和1年时，无模型隐含波动率的样本内和样本外的优异表现仍然存在。如果有的话，随着预测范围的延长，卓越表现的程度会降低。 我们的研究在两个方面为文献做出了贡献。首先，本文对有关利率衍生品市场信息含量的文献进行了贡献。利率衍生品市场非常庞大。除了理论上的衍生工具定价外，对基础工具的衍生工具价格的信息含量研究较少。这可能是因为数据的限制。来自主要交易商经纪人的可靠报价是必要的。我们使用的数据跨越了从1997年1月到2022年6月的长样本期。这些数据丰富，到期时间多种多样，掉期利率期限广泛。 其次，本文为波动率预测的文献做出了贡献。已经在股票市场和外汇市场上研究了期权隐含波动率的优越信息含量(Jorion(1995))。我们通过关注另一个大市场：利率互换市场来补充文献 。掉期隐含信息， 无掉期利率模型的隐含波动率（SRMFIV）对具有各种期限的掉期利率的未来已实现波动率显示出强大而显着的预测能力。我们不仅在样本中而且在样本外都证实了SRMFIV的优越预测性能 。金融行业和学术界都持续关注VIX，这是股票市场中的恐惧指数。我们的研究有助于引起人们对利率互换市场恐惧指数的关注。 本文的其余部分组织如下。第2节介绍了掉期数据，用于计算无掉期利率模型隐含波动率 的方法以及已实现波动率的度量。第3节研究了无掉期利率模型的隐含波动率对具有各种期 限的掉期利率未来已实现波动率的样本内预测能力。在第4节中，将无掉期利率模型隐含波 动率的可预测性与其他常用预测因子的可预测性进行了比较。第5节阐述样本外预测性能。 第6节提供了稳健性分析，并检查了不同市场状态和更长预测范围的预测能力。第7节结束论文。 2.Data 在本节中，我们描述了互换立方体数据，从互换中计算无模型隐含波动率的方法以及我们测量已实现波动率的方法。还讨论了无模型隐含波动率和已实现波动率的统计特性。 2.1.交换立方体 从广义上讲，掉期是一种期权，授予其所有者进行基础掉期的权利，而不是义务。尽管标的物可能是各种掉期，但术语“掉期”通常是指利率掉期的期权。接收方互换赋予互换的所有者进入互换的权利，在互换中他们接收固定腿并支付浮动腿。付款人掉期使掉期的所有者有权进入掉期，他们支付固定腿并获得浮动腿。掉期市场的参与者主要是大公司、银行、金融。 机构和对冲基金。掉期市场主要是场外交易(OTC)。交易商经纪人作为提供流动性的主要中介机构。 我们从摩根大通获得美元掉期数据，摩根大通是利率衍生品市场上最大的交易商间经纪商之一。由于基础利率互换随期限而变化，因此互换价格报价数据通常被称为互换立方体，它沿三个维度变化：基础利率互换的期限，期权的到期时间和执行互换利率。掉期通常以黑色或基点隐含波动率报价。使用Blac（1976）公式可以很容易地将黑色波动率转换为付款人和/或收款人溢价，稍后将对此进行详细描述。我们获得的数据是每日频率的，样本周期是从1992年5月1日至2022年6月30日。掉期数据丰富，有19种不同的标的掉期期限（1 个月、3个月、6个月、1年、1.5年、2年、3年、4年、5年、6年、7年、8年、9年、10年、12年，15年，20年，25年和30年），并且有25个不同的到期时间（1周，2周，3周，1个月，2个月，3个月，6个月，9个月，1年，1.5年，2年，2.25年，2.5年，3年，4年，5年，6年，20年，7年，8年）对于每个到期时间和每个基础利率互换，有。 7种不同的执行利率报价为：货币远期掉期利率(ATMF)−300bp, ATMF−100bp,ATMF−50bp,ATMF+50bp,ATMF+100bp,ATMF+300bp。 由于部分报价在早期样本期缺失，我们的分析主要集中在1997年1月2日至2022年6月30日的样本期。鉴于并非所有的利率互换都受欢迎且流动性充足，我们重点关注以下八个期限的互换：3个月、6个月、1年、2年、5年、10年、20年和30年。平衡最终样本长度和非重叠采样频 率，我们主要关注到期时间为1个月的掉期，并以月频率构建样本。 2.2.掉期利率无模型隐含波动率 掉期利率无模型隐含波动率（SRMFIV）是对掉期利率波动率的前瞻性估计，类似于从标准普尔500指数期权估计的VIX。在实践中，有两个版本的掉期利率无模型隐含波动率：对数正常模型- 自由隐含波动率和基点(正常)无模型隐含波动率。与股指水平和个股价格不同，在收益率和利差的背景下，绝对（水平）变化比相对（百分比）变化更有效地描述风险。市场参与者从绝对变化的角度看待波动性。因此，在Mele和Obayashi(2015)、Mele、Obayashi和Shal