scholarly journals Volatility Transmission between Oil and LME Futures

2018 ◽  
Vol 5 (2) ◽  
pp. 65 ◽  
Author(s):  
Jaehwan Park
Keyword(s):  
Garch Model ◽  
Commodity Markets ◽  
Base Metals ◽  
Hedging Strategy ◽  
Volatility Transmission ◽  
Bivariate Garch Model ◽  
Data Period ◽  
Daily Returns

This paper investigates the volatility transmission between oil and base metals to assess the possibility of hedge strategy across commodity markets. In order to identify the volatility linkage of oil to the base metals, the bivariate GARCH model is applied using daily returns data period over 2000-2016. It is found that evidence of volatility transmission between oil and base metals is somewhat strong with a 1% significant level. This result suggests the investment idea of commodity hedging strategy of cross-market is important.

scholarly journals Volatility Spillovers Arising from the Financialization of Commodities

2018 ◽  
Vol 11 (4) ◽  
pp. 72 ◽  
Author(s):  
Wing Chan ◽  
Bryce Shelton ◽  
Yan Wu
Keyword(s):  
Commodity Prices ◽  
Spillover Effects ◽  
Realized Volatility ◽  
Commodity Markets ◽  
Exchange Traded Funds ◽  
Volatility Transmission ◽  
Volatility Spillovers ◽  
The Difference ◽  
Index Investment ◽  
The Impact

This paper examines whether the proliferation of new index products, such as commodity-tracking exchange-traded funds (ETFs), amplified the volatility transmission channel introduced by financialization. This paper focuses on the volatility spillover effects among crude oil, metals, agriculture, and non-energy commodity markets. The results show financialization has an impact on the volatility of commodity prices, predominantly for non-energy commodities. However, the impact on volatility is not symmetric across all commodities. The analysis of index investment and investors’ positions in futures markets shows that, when a relationship exists, it is generally negatively correlated with the realized volatility of non-energy commodities. Using realized volatility in the difference-in-difference model provides estimates that are inconsistent with other findings that non-energy commodities, traded as a part of indices, have experienced higher volatility. The results are similar to the index investment and futures market analysis, where increased participation by investors through new investment products has put download pressure on realized volatility.

Shock and Volatility Spillovers Among Equity Sectors of the National Stock Exchange in India

2017 ◽  
Vol 19 (1) ◽  
pp. 227-240 ◽  
Author(s):  
Sayantan Bandhu Majumder ◽  
Ranjanendra Narayan Nag
Keyword(s):  
Global Financial Crisis ◽  
Stock Exchange ◽  
Debt Crisis ◽  
Portfolio Allocation ◽  
Volatility Spillover ◽  
Hedging Strategy ◽  
Volatility Transmission ◽  
Volatility Spillovers ◽  
Daily Data ◽  
Indian Stock Market

The basic thrust of this article is to examine how shocks and volatility are transmitted across sector indices. This article employs the autoregressive asymmetric BEKK-GARCH model. The study is based on daily data from the National Stock Exchange (NSE) of India from January 2004 to January 2014. Volatility spillover was found to be bidirectional among the two pro-cyclical sectors: Finance and IT. But, there was a unidirectional shock and volatility spillover from the non-cyclical FMCG sector to both the pro-cyclical sectors. The FMCG sector has remained almost unaffected by the spillover from the other sectors. Moreover, the evidence of asymmetric spillover has been found to be present in most of the case. Second, correlations between the sectors were found to be higher during the period of global financial crisis. But no such evidence was found in the context of the Euro zone debt crisis. Understanding the dynamics of shocks and volatility transmission is necessary for risk management in general and for optimal portfolio allocation and hedging strategy in particular. To the best of our knowledge, this is the first study on Indian stock market which has analysed the dynamics of shock and volatility transmission across sector indices.

scholarly journals Crude oil prices, commodity markets and growth dynamics

2017 ◽  
Author(s):  
Γεώργιος Γαλυφιανάκης
Keyword(s):  
Crude Oil ◽  
Regime Switching ◽  
Garch Model ◽  
Growth Dynamics ◽  
Commodity Markets ◽  
Cointegration Analysis ◽  
Causality Test ◽  
Vector Error Correction ◽  
Crude Oil Prices ◽  
Markov Regime Switching Model

Η παγκόσμια οικονομική κρίση της περιόδου 2007 -2009 επηρέασε το σύνολο της παγκόσμια οικονομίας περιορίζοντας την οικονομική δραστηριότητα και το πραγματικό παγκόσμιο Ακαθάριστο Εθνικό Προϊόν (ΑΕΠ) προκαλώντας τη μεγαλύτερη οικονομική ύφεση μετά το κραχ του 1929. Η χρηματοπιστωτική κρίση αν και ξεκίνησε στην αγορά στεγαστικών δανείων χαμηλής εξασφάλισης των ΗΠΑ, το καλοκαίρι του 2007, γρήγορα μετατράπηκε σε κρίση του παγκόσμιου χρηματοπιστωτικού συστήματος. Οι χρηματοπιστωτικές αγορές κατέρρευσαν όπως και οι αγορές των εμπορευμάτων και έκτοτε οι τιμές των εμπορευμάτων στις διεθνείς αγορές εισήλθαν σε μία φάση με μεγάλες διακυμάνσεις και υψηλή μεταβλητότητα και αβεβαιότητα, κυρίως η αγορά του αργού πετρελαίου και των προϊόντων ενέργειας. Με δεδομένο του ότι η αγορά του αργού πετρελαίου ηγείται στις αγορές των εμπορευμάτων και επηρεάζει σε μεγάλο βαθμό το οικονομικό σύστημα -κυρίως μέσο του κόστους παραγωγής- έχει ενδιαφέρον να ερευνήσουμε τη σχέση μεταξύ της αγοράς του αργού πετρελαίου και άλλων αγορών εμπορευμάτων καθώς και χρηματοοικονομικών δεικτών. Συγκεκριμένα, στη παρούσα διατριβή εξετάζουμε αρχικά την επίδραση των αγορών εμπορευμάτων (commodity markets) και συγκεκριμένα κύριων εμπορεύσιμων αγαθών αυτών, καθώς και χρηματοοικονομικών δεικτών στη διαμόρφωση της τιμής του αργού πετρελαίου (crude oil). Για το λόγο αυτό εισάγουμε το οικονομετρικό μοντέλο της «Γενικευμένης Αυτοπαλίνδρομης υπό Συνθήκης Ετεροσκεδαστικότητας» (GARCH Model) και συγκεκριμένα το «Ασυμμετρικό υπόδειγμα των Glosten, Jagannathan και Runkle» (JGR GARCH Model).Στη συνέχεια της έρευνάς μας εξετάζουμε τη δυναμική μεταξύ των τιμών (Price Dynamics) του αργού πετρελαίου και των παραπάνω αναφερθέντων στοιχείων, εφαρμόζοντας την ανάλυση οικονομετρικών μοντέλων «Συνολοκλήρωσης» (Cointegration Analysis). προκειμένου να εξεταστεί τόσο η μακροχρόνια αλλά και η βραχυχρόνια σχέση μεταξύ των μεταβλητών. Συγκεκριμένα, στο μέρος αυτό της έρευνας χρησιμοποιείται η «τεχνική Johansen» για τον προσδιορισμό της μακροχρόνιας σχέσης των μεταβλητών, καθώς επίσης και η βραχυχρόνια σχέση ισορροπίας μεταξύ τους χρησιμοποιώντας το υπόδειγμα διόρθωσης σφάλματος Vector Error Correction Model (VECM). Επίσης, χρησιμοποιείται ο γραμμικός έλεγχος αιτιότητας κατά Granger (Granger Causality Test), δηλαδή προσδιορίζεται η σχέση αιτιότητας μεταξύ των μεταβλητών του υποδείγματος, που βοηθά στη πρόβλεψή τους. Στο τελευταίο μέρος της ερευνάς μας εφαρμόζοντας την τεχνική της «Μαρκοβιανής Αλυσίδας» (Markov Regime-Switching Model) για τις αγορές αργού πετρελαίου και άλλων πετρελαιοειδών αγορών, προσδιορίζουμε την ύπαρξη περιόδων χαμηλής και υψηλής μεταβλητότητας για την υπό εξέταση χρονική περίοδο των δεδομένων μας καθώς και των πιθανοτήτων μετάβασης από την μία κατάσταση στην άλλη. Τα αποτελέσματα της έρευνάς μας συμφωνούν με τη σχετική οικονομική θεωρεία και με τις σχετικές επιστημονικές δημοσιεύσεις και έχουν ενδιαφέρον και χρησιμότητα σε όλους τους εμπλεκόμενους στις διεθνείς αγορές φορείς, δηλαδή, τους επενδυτές, τους οικονομικούς αναλυτές και όλους όσους διαμορφώνουν οικονομική πολιτική.

Metals

2018 ◽  
Author(s):  
Greg Leonard
Keyword(s):  
Iron Ore ◽  
Price Discovery ◽  
Precious Metals ◽  
Industrial Applications ◽  
Commodity Markets ◽  
Metal Exchange ◽  
Base Metals ◽  
London Metal Exchange ◽  
Metal Products ◽  
Trading Volumes

Metals and metal products have long been traded on commodity markets. Trading in futures and options, as well as forwards, swaps, and other derivatives, is available for about a dozen metals. Traditionally metals have been divided into precious metals and base metals, used in industrial applications. Today the precious metals silver, platinum, and palladium are also primarily used in industrial applications, while gold is still primarily used as a store of value. CME Group exchanges and the London Metal Exchange are the best-known exchanges for metals derivatives trading. In recent years, trading volumes in all metals on exchanges in China have increased tremendously, and these exchanges have begun to contribute to global price discovery. Steel has the largest production of the base metals, but on-exchange trading of steel and its precursor iron ore has become significant only in the last few years, with trading focused in China.

scholarly journals On the Statistical GARCH Model for Managing the Risk by Employing a Fat-Tailed Distribution in Finance

Symmetry ◽  
2020 ◽  
Vol 12 (10) ◽  
pp. 1698
Author(s):  
H. Viet Long ◽  
H. Bin Jebreen ◽  
I. Dassios ◽  
D. Baleanu
Keyword(s):  
Risk Management ◽  
Value At Risk ◽  
Risk Measures ◽  
Garch Model ◽  
Extreme Value Distribution ◽  
Conditional Value At Risk ◽  
Conditional Heteroskedasticity ◽  
Explicit Formulas ◽  
Simulation Results ◽  
Daily Returns

The Conditional Value-at-Risk (CVaR) is a coherent measure that evaluates the risk for different investing scenarios. On the other hand, since the extreme value distribution has been revealed to furnish better financial and economical data adjustment in contrast to the well-known normal distribution, we here employ this distribution in investigating explicit formulas for the two common risk measures, i.e., VaR and CVaR, to have better tools in risk management. The formulas are then employed under the generalized autoregressive conditional heteroskedasticity (GARCH) model for risk management as our main contribution. To confirm the theoretical discussions of this work, the daily returns of several stocks are considered and worked out. The simulation results uphold the superiority of our findings.

Sign in / Sign up

Export Citation Format

Share Document