Phân tích Biến động và Thay đổi Chính sách trên Thị trường Tài chính - Rebecca Bommarito

Chuyên khảo phân tích Analyzing volatility and policy changes in the financial market, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Trường học: Trường Đại Học Kinh Tế
• Chuyên ngành: Tài Chính
• Đề tài: Phân Tích Biến Động Và Thay Đổi Chính Sách Trong Thị Trường Tài Chính
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Hiểu đúng về biến động chính sách thị trường tài chính

Phân tích biến động và thay đổi chính sách trên thị trường tài chính là một nhiệm vụ cốt lõi đối với các nhà đầu tư, nhà hoạch định chính sách và các nhà nghiên cứu. Thị trường tài chính, về bản chất, là một hệ thống phức tạp, nơi hành vi nhà đầu tư, các chỉ số kinh tế vĩ mô và các sự kiện toàn cầu tương tác để tạo ra những dao động liên tục về giá. Sự biến động này, mặc dù mang lại cơ hội, cũng là nguồn gốc của rủi ro đáng kể. Đồng thời, các cơ quan chính phủ, đặc biệt là ngân hàng trung ương, thường xuyên can thiệp thông qua chính sách tiền tệ và chính sách tài khóa để ổn định nền kinh tế, kiểm soát lạm phát và thúc đẩy tăng trưởng. Những can thiệp này, chẳng hạn như các đợt tăng lãi suất hay chương trình nới lỏng định lượng (QE), tạo ra những làn sóng ảnh hưởng sâu rộng đến mọi loại tài sản, từ cổ phiếu đến trái phiếu và ngoại hối. Việc hiểu rõ mối liên hệ giữa các hành động chính sách và phản ứng của thị trường là chìa khóa cho việc quản lý rủi ro hiệu quả và đưa ra quyết định đầu tư sáng suốt. Luận án của Rebecca Bommarito (2021) cung cấp một lăng kính sâu sắc để xem xét các vấn đề này, tập trung vào việc đánh giá sức mạnh dự báo của các mô hình tài chính và phân tích các yếu tố gây ra sai số trong dự báo kinh tế, từ đó mở ra những hiểu biết quan trọng về sự ổn định tài chính tổng thể.

1.1. Tầm quan trọng của việc phân tích biến động thị trường

Biến động là thước đo mức độ thay đổi giá của một tài sản tài chính theo thời gian. Mức độ biến động cao cho thấy rủi ro lớn hơn, nhưng cũng có thể báo hiệu tiềm năng lợi nhuận cao hơn. Việc phân tích các biến động thị trường chứng khoán, thường được đo lường qua chỉ số VIX, giúp các nhà đầu tư đánh giá tâm lý thị trường và điều chỉnh chiến lược phòng ngừa rủi ro. Đối với các doanh nghiệp, hiểu biết về biến động trên thị trường ngoại hối (Forex) là rất quan trọng để quản lý chi phí và doanh thu quốc tế. Phân tích này không chỉ dựa trên dữ liệu lịch sử mà còn phải tính đến các chỉ báo kinh tế như tỷ lệ lạm phát và tăng trưởng GDP để dự báo các xu hướng trong tương lai.

1.2. Vai trò của chính sách tiền tệ và chính sách tài khóa

Chính sách tiền tệ, do ngân hàng trung ương điều hành, sử dụng các công cụ như lãi suất và nghiệp vụ thị trường mở để kiểm soát cung tiền và tín dụng. Một đợt tăng lãi suất có thể làm chậm nền kinh tế để chống lạm phát nhưng cũng có thể ảnh hưởng tiêu cực đến giá cổ phiếu. Ngược lại, chính sách tài khóa, do chính phủ thực hiện, liên quan đến chi tiêu và thuế. Các gói kích thích tài khóa có thể thúc đẩy tăng trưởng GDP nhưng cũng có thể làm tăng nợ công và lợi suất trái phiếu. Sự phối hợp hoặc xung đột giữa hai chính sách này tạo ra một môi trường kinh tế vĩ mô phức tạp, đòi hỏi sự phân tích cẩn trọng để đạt được ổn định tài chính.

II. Thách thức trong dự báo biến động và sai số kinh tế

Một trong những thách thức lớn nhất trong tài chính ứng dụng là dự báo. Như Bommarito (2021) đã chỉ ra, các mô hình dự báo thường được xây dựng nhưng hiếm khi được xem xét lại để đánh giá độ chính xác và tìm hiểu nguyên nhân sai lệch. Sai số dự báo kinh tế, đặc biệt là các dự báo từ Khảo sát Chuyên gia Kinh tế (Survey of Professional Forecasters - SPF), là một vấn đề cố hữu. Sự thiếu chính xác này bắt nguồn từ nhiều yếu tố. Thứ nhất, hành vi nhà đầu tư không phải lúc nào cũng hợp lý và có thể bị ảnh hưởng bởi tâm lý thị trường đám đông, tạo ra các bong bóng hoặc sụp đổ không lường trước được. Thứ hai, các cú sốc ngoại sinh như rủi ro địa chính trị hoặc đại dịch toàn cầu có thể làm đảo lộn hoàn toàn các mô hình kinh tế truyền thống. Thứ ba, và là trọng tâm của nghiên cứu, là việc xác định xem sự can thiệp của chính phủ hay các điều kiện thị trường cơ bản là nguyên nhân chính gây ra sai số dự báo. Việc không phân biệt được hai yếu tố này có thể dẫn đến các quyết định quản lý rủi ro sai lầm. Ví dụ, một dự báo sai về lợi suất trái phiếu có thể do không lường trước được một đợt tăng lãi suất bất ngờ từ ngân hàng trung ương, hoặc do đánh giá sai tác động của các chỉ báo kinh tế như tỷ lệ thất nghiệp. Việc hiểu rõ nguồn gốc của sai số là bước đầu tiên để cải thiện các mô hình dự báo và tăng cường ổn định tài chính.

2.1. Sai số dự báo kinh tế SPF Nguyên nhân từ đâu

Nghiên cứu của Bommarito và cộng sự tập trung vào việc giải thích sự thay đổi trong sai số của các dự báo SPF đối với ba loại chứng khoán tài chính. Câu hỏi trung tâm là: liệu sự gia tăng sai số dự báo chủ yếu do thay đổi trong chính sách tài khóa và chính sách tiền tệ, hay do sự thay đổi của các chỉ báo kinh tế vĩ mô (tức là điều kiện thị trường)? Kết quả cho thấy cả hai yếu tố đều có vai trò, nhưng với mức độ khác nhau tùy thuộc vào loại chứng khoán. Điều này cho thấy rằng không có một câu trả lời duy nhất và các nhà dự báo cần xem xét cẩn thận cả hai nhóm biến số khi xây dựng mô hình hóa kinh tế của mình.

2.2. Tác động của các cú sốc vĩ mô và rủi ro địa chính trị

Các mô hình dự báo thường hoạt động tốt trong điều kiện thị trường bình thường nhưng lại gặp khó khăn khi đối mặt với các sự kiện bất thường. Các rủi ro địa chính trị như chiến tranh, xung đột thương mại, hay các sự kiện 'thiên nga đen' như khủng hoảng tài chính 2008 và đại dịch COVID-19, tạo ra mức độ không chắc chắn cực đoan. Những sự kiện này làm thay đổi cấu trúc của mối quan hệ kinh tế, khiến dữ liệu lịch sử trở nên kém tin cậy. Do đó, việc kết hợp phân tích định tính về các rủi ro này cùng với mô hình hóa kinh tế định lượng là rất cần thiết để cải thiện độ chính xác của dự báo và xây dựng các chiến lược phòng ngừa rủi ro mạnh mẽ hơn.

III. Phương pháp đánh giá sức mạnh dự báo của mô hình BSM

Mô hình Black-Scholes-Merton (BSM) là một công cụ nền tảng trong định giá quyền chọn. Tuy nhiên, Bommarito (2021) đã sử dụng nó theo một cách mới: không chỉ để định giá, mà còn để đánh giá khả năng dự báo của thị trường về phân phối giá trong tương lai. Cụ thể, nghiên cứu phân tích xác suất điều chỉnh rủi ro N(d2) từ mô hình BSM, đại diện cho khả năng một quyền chọn sẽ đáo hạn trong trạng thái "có lãi" (in-the-money). Bằng cách sử dụng toàn bộ chuỗi quyền chọn của quỹ SPDR S&P 500 ETF (SPY), nghiên cứu đã xây dựng một phân phối xác suất dự báo hoàn chỉnh. Sau đó, phân phối này được so sánh với phân phối thực nghiệm của giá SPY bằng các kiểm định phi tham số như Kolmogorov-Smirnov và Anderson-Darling. Phương pháp này cho phép một sự đánh giá định lượng về việc liệu kỳ vọng của thị trường, như được phản ánh trong giá quyền chọn, có thực sự dự đoán chính xác con đường giá của tài sản cơ sở hay không. Đây là một cách tiếp cận tiên tiến trong mô hình hóa kinh tế, vượt ra ngoài các dự báo điểm đơn thuần để xem xét toàn bộ dải xác suất của các kết quả có thể xảy ra, cung cấp thông tin giá trị cho quản lý rủi ro và hedging strategies.

3.1. Phân tích phân phối xác suất ngụ ý từ N d2

Thành phần N(d2) trong công thức BSM cung cấp một dự báo về phân phối giá của tài sản cơ sở tại thời điểm đáo hạn. Bằng cách theo dõi sự thay đổi của đường cong phân phối này theo thời gian, từ lúc quyền chọn còn xa ngày đáo hạn cho đến khi chỉ còn vài ngày, nghiên cứu quan sát được sự thay đổi trong tâm lý thị trường và cách các nhà giao dịch ấn định xác suất cho các kịch bản khác nhau. Cách tiếp cận này giúp hình dung và kiểm tra khả năng của mô hình BSM trong việc dự đoán xác suất xảy ra các sự kiện giá, đặc biệt là các sự kiện đuôi (tail events) – những biến động giá cực đoan.

3.2. So sánh dự báo BSM và diễn biến giá thực tế của SPY

Kết quả chính từ việc so sánh này rất đáng chú ý. Nghiên cứu phát hiện ra rằng mô hình BSM có xu hướng đánh giá quá cao xác suất của các sự kiện đuôi khi quyền chọn còn xa ngày đáo hạn. Tuy nhiên, khi đến gần ngày đáo hạn, chỉ còn vài ngày, dự báo của BSM trở nên chính xác hơn đáng kể. Điều này cho thấy sự không chắc chắn của các nhà giao dịch trong việc dự đoán các chuyển động thị trường xa trong tương lai. Đặc biệt, trong các giai đoạn khủng hoảng, BSM lại dự báo chính xác hơn về khả năng xảy ra các sự kiện đuôi so với các giai đoạn thị trường bình thường, phản ánh đúng tâm lý thị trường trong thời kỳ biến động mạnh.

IV. Cách phân tích sai số dự báo Do chính sách hay thị trường

Để trả lời câu hỏi liệu sai số dự báo kinh tế đến từ sự can thiệp của chính phủ hay từ các điều kiện thị trường cơ bản, nghiên cứu của Bommarito (2021) đã áp dụng một phương pháp thống kê hiệu quả. Thách thức chính là có quá nhiều chỉ báo kinh tế vĩ mô (như tăng trưởng GDP, tỷ lệ lạm phát, tỷ lệ thất nghiệp) và chúng thường có mối tương quan cao với nhau (đa cộng tuyến), gây khó khăn cho việc phân tích hồi quy. Để giải quyết vấn đề này, nghiên cứu đã sử dụng Phân tích thành phần chính (Principal Component Analysis - PCA), một kỹ thuật giảm chiều dữ liệu. PCA cho phép tổng hợp thông tin từ nhiều biến kinh tế vĩ mô thành một vài thành phần chính, có thể được hiểu là một thước đo tổng thể cho "điều kiện thị trường". Sau khi tạo ra các biến đại diện cho điều kiện thị trường này, một mô hình hồi quy tuyến tính được sử dụng để kiểm tra xem yếu tố nào – điều kiện thị trường, chính sách tiền tệ (đo bằng lãi suất quỹ liên bang), hay chính sách tài khóa (đo bằng thu chi chính phủ) – chịu trách nhiệm chính cho sự gia tăng sai số dự báo SPF đối với lợi suất trái phiếu. Cách tiếp cận này giúp cô lập và định lượng tác động của từng nhóm yếu tố, cung cấp bằng chứng rõ ràng về nguồn gốc của sự không chắc chắn trong dự báo.

4.1. Sử dụng Phân tích thành phần chính PCA để giảm chiều

PCA là một công cụ mạnh trong mô hình hóa kinh tế khi phải xử lý một lượng lớn các biến số tương quan. Bằng cách biến đổi tập hợp các biến ban đầu thành một tập hợp các biến mới, không tương quan gọi là các thành phần chính, PCA giúp giảm độ phức tạp của mô hình mà vẫn giữ lại phần lớn thông tin. Trong nghiên cứu này, hai thành phần chính đầu tiên được sử dụng như một thước đo tổng hợp cho các điều kiện thị trường, cho phép mô hình hồi quy đánh giá tác động của chúng một cách hiệu quả mà không bị nhiễu bởi vấn đề đa cộng tuyến.

4.2. Vai trò của ngân hàng trung ương và các đợt tăng lãi suất

Khi đưa các thành phần PCA và các biến chính sách vào mô hình hồi quy, kết quả cho thấy tác động của chính sách tiền tệ là rất rõ rệt. Cụ thể, sự gia tăng lãi suất của ngân hàng trung ương có ảnh hưởng lớn và đáng kể đến sai số dự báo của các chứng khoán ngắn hạn (ví dụ: tín phiếu kho bạc 3 tháng). Trong khi đó, các điều kiện thị trường tổng thể ảnh hưởng đến tất cả các loại chứng khoán, nhưng với mức độ nhỏ hơn. Điều này khẳng định rằng các hành động của ngân hàng trung ương là một nguồn gây bất ngờ và khó dự báo chính cho thị trường tài chính, đặc biệt là ở phân khúc ngắn hạn.

V. Top kết quả nghiên cứu về biến động và hành vi nhà đầu tư

Tổng hợp từ ba bài luận trong luận án của Bommarito (2021), các kết quả chính cung cấp những hiểu biết sâu sắc và có thể ứng dụng trong thực tiễn. Thứ nhất, về khả năng dự báo, mô hình BSM chỉ thực sự hiệu quả trong ngắn hạn, vài ngày trước khi quyền chọn đáo hạn. Điều này ngụ ý rằng việc dựa vào giá quyền chọn để dự báo dài hạn là rất rủi ro; thay vào đó, chúng phản ánh sự không chắc chắn và phí bảo hiểm rủi ro nhiều hơn là dự báo thực tế. Thứ hai, các cú sốc từ chính sách tiền tệ của ngân hàng trung ương có tác động mạnh mẽ và bất đối xứng lên sai số dự báo, đặc biệt đối với các công cụ nợ ngắn hạn. Điều này nhấn mạnh tầm quan trọng của việc theo dõi chặt chẽ các tín hiệu chính sách cho các chiến lược giao dịch ngắn hạn. Cuối cùng, một phát hiện độc đáo từ bài luận thứ ba là hành vi nhà đầu tư không chỉ bất đối xứng mà còn có tính mùa vụ. Phản ứng của nhà đầu tư đối với các thông báo kết quả kinh doanh tốt (earnings beat) là cực kỳ lớn vào tháng 6, trong khi phản ứng với các kết quả kinh doanh kém (earnings miss) lại mạnh nhất vào tháng 12. Sự tồn tại của các yếu tố mùa vụ như vậy thách thức Giả thuyết Thị trường Hiệu quả và mở ra cơ hội cho các chiến lược phòng ngừa rủi ro và đa dạng hóa danh mục đầu tư được điều chỉnh theo thời gian.

5.1. Mô hình BSM và khả năng dự báo các sự kiện đuôi

Phát hiện rằng BSM dự báo tốt hơn các sự kiện đuôi (tail events) trong thời kỳ khủng hoảng cho thấy thị trường quyền chọn trở nên "hiệu quả" hơn trong việc định giá rủi ro cực đoan khi tâm lý thị trường đang ở mức cao độ. Trong giai đoạn bình thường, giá quyền chọn có thể bị thổi phồng do nhu cầu phòng ngừa rủi ro, dẫn đến việc đánh giá quá cao xác suất của các biến động lớn. Hiểu được điều này giúp nhà đầu tư diễn giải tín hiệu từ thị trường quyền chọn một cách chính xác hơn.

5.2. Tác động bất đối xứng của chính sách tiền tệ lên sai số

Việc chính sách tiền tệ tác động mạnh đến chứng khoán ngắn hạn nhưng ít hơn đối với chứng khoán dài hạn là một kết quả quan trọng. Nó cho thấy các nhà dự báo gặp khó khăn nhất trong việc lường trước các động thái chính sách ngắn hạn của ngân hàng trung ương. Đối với các nhà đầu tư, điều này có nghĩa là danh mục đầu tư tập trung vào các tài sản ngắn hạn nhạy cảm với lãi suất cần được quản lý rủi ro một cách chủ động hơn xung quanh các cuộc họp chính sách.

5.3. Yếu tố mùa vụ trong phản ứng của nhà đầu tư với tin tức

Phát hiện về tính mùa vụ trong phản ứng với báo cáo kết quả kinh doanh là một dị thường thú vị. Hành vi nhà đầu tư thể hiện sự lạc quan thái quá vào tháng 6 và bi quan thái quá vào tháng 12 có thể liên quan đến các chu kỳ tâm lý hoặc dòng vốn trong năm. Các nhà đầu tư có thể tận dụng thông tin này bằng cách sử dụng các công cụ phái sinh như quyền chọn để thực hiện chiến lược phòng ngừa rủi ro (hedging strategies) trước các biến động lớn được dự báo theo mùa vụ trong các tháng cụ thể này.

VI. Tương lai của phân tích thị trường tài chính và quản lý rủi ro

Nghiên cứu về biến động và thay đổi chính sách trên thị trường tài chính không ngừng phát triển, và các phát hiện từ luận án của Bommarito (2021) đã vạch ra những hướng đi quan trọng cho tương lai. Rõ ràng, các mô hình tài chính truyền thống, dù hữu ích, vẫn có những hạn chế đáng kể, đặc biệt là trong việc dự báo dài hạn và nắm bắt các yếu tố tâm lý phức tạp. Tương lai của lĩnh vực này sẽ nằm ở việc phát triển các mô hình lai, kết hợp sức mạnh của mô hình hóa kinh tế định lượng với các kỹ thuật học máy và phân tích dữ liệu lớn để nhận diện các mẫu hình phi tuyến và các yếu tố tâm lý trong hành vi nhà đầu tư. Việc tích hợp các yếu tố như tâm lý thị trường từ mạng xã hội hoặc các rủi ro địa chính trị từ tin tức toàn cầu vào các mô hình dự báo sẽ trở nên phổ biến hơn. Đối với các nhà đầu tư và quản lý quỹ, bài học rút ra là không nên phụ thuộc mù quáng vào bất kỳ một mô hình nào. Thay vào đó, cần áp dụng một cách tiếp cận đa diện, kết hợp phân tích cơ bản, phân tích kỹ thuật và hiểu biết sâu sắc về môi trường kinh tế vĩ mô. Các chiến lược phòng ngừa rủi ro và đa dạng hóa danh mục đầu tư phải linh hoạt và có khả năng thích ứng nhanh với những thay đổi đột ngột trong chính sách và điều kiện thị trường để đảm bảo ổn định tài chính dài hạn.

6.1. Hướng đi mới trong mô hình hóa kinh tế và dự báo

Sự phát triển của trí tuệ nhân tạo và học máy mở ra những khả năng mới cho mô hình hóa kinh tế. Các mô hình này có thể xử lý lượng dữ liệu khổng lồ và xác định các mối quan hệ phức tạp mà các mô hình hồi quy tuyến tính truyền thống bỏ qua. Việc áp dụng các thuật toán này để cải thiện độ chính xác của dự báo về tỷ lệ lạm phát, tăng trưởng GDP, và phản ứng của thị trường đối với các cú sốc chính sách sẽ là một lĩnh vực nghiên cứu đầy hứa hẹn. Mục tiêu là xây dựng các hệ thống cảnh báo sớm, giúp các nhà hoạch định chính sách và nhà đầu tư chuẩn bị tốt hơn cho các biến động trong tương lai.

6.2. Chiến lược phòng ngừa rủi ro và đa dạng hóa danh mục đầu tư

Trong một thế giới ngày càng bất định, quản lý rủi ro trở nên quan trọng hơn bao giờ hết. Các nghiên cứu như thế này nhấn mạnh rằng đa dạng hóa danh mục đầu tư không chỉ là việc phân bổ vốn qua các loại tài sản khác nhau, mà còn là đa dạng hóa theo các kịch bản kinh tế vĩ mô. Nhà đầu tư cần xây dựng danh mục có khả năng chống chịu tốt trước các cú sốc từ tăng lãi suất, lạm phát cao, hay suy thoái kinh tế. Việc sử dụng các công cụ phái sinh một cách thông minh cho các chiến lược phòng ngừa rủi ro (hedging strategies) sẽ tiếp tục là một kỹ năng thiết yếu để bảo vệ vốn và tìm kiếm lợi nhuận trong môi trường thị trường đầy thách thức.

Trích đoạn nội dung tài liệu

Claremont Colleges Scholarship @ Claremont CGU Theses & Dissertations CGU Student Scholarship Spring 2021 Analyzing Volatility and Policy Changes in the Financial Market: Three Essays in Applied Finance Rebecca Anne Bommarito Claremont Graduate University Follow this and additional works at: https://scholarship.edu/cgu_etd Recommended Citation Bommarito, Rebecca Anne. Analyzing Volatility and Policy Changes in the Financial Market: Three Essays in Applied Finance. CGU Theses & Dissertations, 201.edu/cgu_etd/ 201.5642/cguetd/201 This Open Access Dissertation is brought to you for free and open access by the CGU Student Scholarship at Scholarship @ Claremont. It has been accepted for inclusion in CGU Theses & Dissertations by an authorized administrator of Scholarship @ Claremont.

For more information, please contact scholarship@cuc. Analyzing Volatility and Policy Changes in the Financial Market: Three Essays in Applied Finance By Rebecca Bommarito Claremont Graduate University 2021 Approval of the Dissertation Committee This dissertation has been duly read, reviewed, and critiqued by the Committee listed be- low, which hereby approves the manuscript of Rebecca Bommarito as fulfilling the scope and quality requirements for meriting the degree of Doctor of Philosophy in Economics. Pierangelo DePace, Chair Claremont Graduate University and Pomona College Associate Professor of Economics Tom Willet Claremont Graduate University and Claremont McKenna College Director, Claremont Institute for Economic Policy Studies Horton Professor of Economics Clemens Kownatzki Pepperdine Graziadio Business School Department Chair of Accounting, Finance & Real Estate Assistant Professor of Finance Hisam Sabouni Claremont Graduate University Clairvoyant Financial Abstract Analyzing Volatility and Policy Changes in the Financial Market: Three Essays in Applied Finance By Rebecca Bommarito Claremont Graduate University: 2021 Volatility in financial markets make forecasting, or in other words estimating what will happen in the future, a difficult task. Too often forecasts are made but hardly ever revisited to see how accurate the forecast was and if not, why? The three chapters of my dissertation are focused on examining volatility in financial markets from changes in investors’ trading behavior as well as studying the characteristics of forecast error of various financial securities.

Often, the accuracy of these forecasts rely on the estimates made for future volatility. In my first chapter, we1 analyze the predictive power of the Black-Scholes-Merton (BSM) model on a data set of options on the SPDR SP 500 Trust ETF (SPY). We leverage the full options chain to analyze the full forecasted distribution of prices through N(d2), which we compare to the distribution of prices of SPY. Using non-parametric GOF tests, such as the Kolmogorov–Smirnov and Anderson-Darling tests, we are able to analyze whether two different distributions come from the same underlying population distribution.

We find that BSM tends to overestimate the tails in the implied probability distribution when further away in expiration, compared to the empirical price path of SPY. The resulting comparison gives way to visualizing and testing the ability for the BSM to predict the likelihood of options expiring in-the-money. Our findings suggest the BSM, in most cases, correctly estimates the underlying risk adjusted probabilities only a few days out from expiration, which may be attributed to the uncertainty in traders to foresee market movements until an option is close to expiration. However, this behavior is more pronounced during crisis periods, where the BSM tends to correctly estimate the likelihood of tail events occurring more often than during periods of market normalcy.

In my second chapter, my co-authors and I2 study the characteristics of error in economic forecasts over time. We focus on explaining the variation errors of the survey of professional economic forecasts (SPF) across three financial securities by isolating the effects of changes in fiscal and monetary policy as well as changes in various macroeconomic indicators. We 1 This is joint work with Nasser Khalil, Clemens Kownatzki and Hisam Sabouni 2 This is joint work with Hisam Sabouni examine if it is changes in government policy or changes in macroeconomic indicators (or market conditions) that is primarily responsible for increases in SPF forecast error. We use a principal component analysis to first perform orthogonal dimension reduction of our macroe- conomic indicator variables and use the first two principal components as an overall measure for market conditions.

We then use a linear regression to test whether market conditions or monetary and/or fiscal policy is primarily responsible for increases in SPF forecast error of three securities’ yields: the three month Treasury bill, Moody’s AAA corporate bond and the Ten year Treasury bill. We find increases in monetary policy via the EFFR affects the short-term security in our analysis to a large magnitude, but increases in overall market conditions affect all securities in our analysis to a smaller but significant degree. In my third chapter, I explore an anomaly that exists in the U. equity market that has not been documented before; investors’ reactions to earnings announcements are not only asymmetric, but seasonal.

Knowing which months experience larger variation than others, investors may incorporate financial derivatives such an options to hedge downside risk. Using a fixed effects linear regression, I first examine the effect an earnings beat and earnings miss have on abnormal returns; which are calculated by a CAPM-GARCH model. I find an earnings beat on average has large significant increases in firms’ abnormal returns while an earnings miss, or a negative earnings surprise, has limited downside impacts. Examining this effect further at the month level, I find investor’s reactions are extremely large to earnings beats announced in months June and to earnings misses announced in December compared to other months.

Acknowledgments I would like to start by first thanking the faculty and administration of Claremont Grad- uate University (CGU) for their continued support and encouragement throughout my re- search studies and experience in the doctoral program. I feel extremely grateful for this opportunity and to have met the professors and colleagues that I did along the way, for this would not have been possible without them. I am very thankful to my two academic advisors, Greg DeAngelo and Hisam Sabouni, for guiding my research ideas and providing a collaborative environment. Greg brought me into the Computational Justice Lab (CJL) during my second year of CGU and introduced me to several other members on campus who could assist me in my research endeavors within applied finance.

Another member of the CJL lab, Hisam Sabouni, was really the catalyst for my interest in applied finance and one of my main motivators during the doctoral program. Hisam is a co-author on two of my dissertation chapters and member of my dissertation committee. I view Hisam as my mentor and am truly grateful for all the opportunities he has provided for me and time he has spent to improve my work. Another huge motivator of my research studies as well as the chair of my dissertation committee is Pierangelo DePace.

Pierangelo was incredibly supportive and would frequently meet with me to discuss research, the Ph. process, or anything else going on in my life. I developed by understanding of econometrics largely through Pierangelo’s classes and feel extremely blessed to have had such a thoughtful and thorough professor. I am grateful to other members of my committee, Tom Willet and Clemens Kownatzki who both provided invaluable comments to the papers in my dissertation.

Tom has been a pioneer in the areas of International Money & Finance and Public Policy and is a well respected figure across our community. His brilliant insights and thought provoking questions have truly elevated each of my research papers. I was introduced to Clemens through Hisam and he quickly became someone I would turn to for advice on my papers. Clemens helped edit and one of the papers in my dissertation as is a coauthor on a second, which was a wonderful collaborative experience for me.

I would also like to acknowledge two faculty members from my undergraduate studies, Brian Jenkins and Kim Makuch, whose continued support and guidance helped lead me to where I am today. Brian was one of my economic lectures and hired me as an economic tutor. It was through Brian’s classes that I developed a passion for economics and the desire to continue my education in economics at the graduate level. Kim was a TA of mine and someone I developed a professional and close personal relationship with.

At the time v Kim was towards the end of finishing her Ph. and guided me through the entire process of applying to grad school, edited papers for my applications and kept it real about the challenges I would face if admitted. I am beyond grateful to have had such a role model and friend during that process and stage of my life. I want to thank another coauthor, Nasser Khalil, who was a pleasure to work with on one of the papers in my dissertation.

Nasser and I had a very fluid writing style while working together and complemented each others skill sets quite which helped to elevate our paper. Two members of the CJL lab and close personal friends I would also like to thank are Maryah Garner and Minjae Yun. I first met Maryah as a TA for one of my classes and over the years has become my best friend and big sister in the graduate program. Countless times Maryah would read over my papers and edit them, discuss questions I had from class or research, or hype me up before a big test.

Minjae was the first person I met at CGU. We bonded instantaneously and eventually became roommates. We did everything together and it really made the graduate process a lot more fun. I truly do not know how I would have gotten through all those classes, tests and qualifying exams without Minjae and her hilarious nature.

Most of all, I would like to thank my significant other Keenan. I appreciate how Keenan has believed in me throughout every step of the Ph. From long exhausting days to anxiety inducing tests, he was always by my side. Keenan put my dreams above his own to support me on this journey, and I am forever grateful.

Lastly, I would like to thank both of my parents for believing in every dream of mine and encouraging me throughout my graduate studies. vi Contents 1 Chapter 1: Analyzing the Predictive Power of Black-Scholes 1 1. 21 2 Chapter 2: Forecast Error: A Cause of Government Intervention or Mar- ket Conditions? 23 2.2 Government Policy’s Impact in Financial Markets .1 Dimension Reduction with PCA. 34 3 Chapter 3: Seasonal Decomposition of Abnormal Market Returns 35 3.3 Calculating Abnormal Returns .1 Asymmetric Effect of Earnings Surprises on Abnormal Returns .2 Seasonal Effects of Earnings Surprises on Abnormal Returns.

47 4 Conclusion 50 5 Appendix 58 vii 1 Chapter 1: Analyzing the Predictive Power of Black- Scholes Coauthored with Nasser Khalil, Clemens Kownatzki and Hisam Sabouni 1.1 Introduction For some time, economists have utilized options pricing models, such as the Black-Scholes Merton (BSM) model, to not only estimate an option’s fair value, but to forecast the volatility of the underlying asset derived from the implied volatility in options. One way to examine this is to back out of BSM what the option is “implying” about the underlying future expected volatility, also known as “implied volatility”. The price of an option is dependent on the breadth of possible scenarios that may occur over the life of an option. Much of the attraction of the BSM model has been on modeling the risk and sensitivity of the options price of the underlying security.

A natural product of the BSM, however, is the underlying risk-adjusted probabilities used to price options. With an options chain, probabilities are assigned as to the likelihood the underlying asset will be above the strike price at expiration. Little, if any research, has focused on the implications of risk-adjusted probabilities derived by the BSM model and the weight given to “deep-in’ and “out of’ the money contracts.