Laeding and Following Variance Risk Premiums: Evidence from S&P500 and KOSPI200 Options
Notice bibliographique
Résumé
This study aims to examine the return predictability of variance risk premium, which is defined as the difference between risk-neutral variance and expected realized variance, on KOSPI 200 index returns. Although extant literature shows that variance risk premium estimated from U.S. index options has a predictive power on underlying returns, little study has been conducted in KOSPI 200 index returns. In addition, there is no conclusion for the predictive power of variance risk premium in other financial markets. In this paper, we can find the predictive power of S&P500 variance risk premium on KOSPI200 index returns as well as on S&P500 index returns, but cannot find the predictive power of KOSPI200 variance risk premium on both indices. These results are consistent to Londono (2012) and Bollerslev et al. (2013). The poor performance of KOSPI200 variance risk premium is explained by the assumption that U.S. economy is a leader economy, while Korea economy is a follower economy. To support this conclusion, we conduct Vector Auto-Regression (VAR) using two variance risk premiums. Two premiums have bi-directional lead-lag relationship but S&P500 variance risk premium is informationally superior to KOSPI200 variance risk premium regarding return predictions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».