Measuring Causality between Volatility and Returns with High-Frequency Data
Notice bibliographique
Résumé
We use high-frequency data to study the dynamic relationship between volatility and equity returns. We provide evidence on two alternative mechanisms of interaction between returns and volatilities: the leverage effect and the volatility feedback effect. The leverage hypothesis asserts that return shocks lead to changes in conditional volatility, while the volatility feedback effect theory assumes that return shocks can be caused by changes in conditional volatility through a time-varying risk premium. On observing that a central difference between these alternative explanations lies in the direction of causality, we consider vector autoregressive models of returns and realized volatility and we measure these effects along with the time lags involved through short-run and long-run causality measures proposed in Dufour and Taamouti (2008), as opposed to simple correlations. We analyze 5-minute observations on S&P 500 Index futures contracts, the associated realized volatilities (before and after filtering jumps through the bispectrum) and implied volatilities. Using only returns and realized volatility, we find a weak dynamic leverage effect for the first four hours at the hourly frequency and a strong dynamic leverage effect for the first three days at the daily frequency. The volatility feedback effect appears to be negligible at all horizons. By contrast, when implied volatility is considered, a volatility feedback becomes apparent, whereas the leverage effect is almost the same. We interpret these results as evidence that implied volatility contains important information on future volatility, through its nonlinear relation with option prices which are themselves forwardlooking. In addition, we study the dynamic impact of news on returns and volatility, again through causality measures. First, to detect possible dynamic asymmetry, we separate good from bad return news and find a much stronger impact of bad return news (as opposed to good return news) on volatility. Second, we introduce a concept of news based on the difference between implied and realized volatilities (the variance risk premium) and we find that a positive variance risk premium (an anticipated increase in variance) has more impact on returns than a negative variance risk premium.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».