Hva det forskes på i Norge, #1: Prisen av penger, dag for dag. (Norges Bank)

Screen shot 2011 09 14 at 22 01 06Norges Banks forskningsavdeling publiserer sin nyeste forskning i ‘Working Papers’ serien på sine hjemmesider.

I artikkelen «Forecasting the intraday market price of money» tar Andrea Monticini (Universita Cattolica – Milano) og Francesco Ravazzolo (Norges Bank) for seg renten som oppstår under en likviditetskrise. Under normale omstendigheter sier effisiente hypoteser at det ikke skal være svingninger. Men som grafen over viser er ikke dette tilfellet, og forfatterne prøver å finne en metode å kunne forutsi disse svingningene.

This paper documents that these dynamics can be partially predicted during turbulent times. A long memory approach outperforms random walk and autoregressive benchmarks in terms of point and density forecasting. The gains are particular high when the full distribution is predicted and probabilistic assessments of future movements of the interest rate derived by the model can be used as a policy tool for central banks to plan supplementary market operations during turbulent times.

Hvorfor er dette viktig? Jo, det kommer av siste setningen over. I unormale tider er det en håndfull ting sentralbanken kan gjøre for å smøre hjulene. Dette inkluderer intraday forhold som kan virke ekstremt hurtig.

Forfatterne bruker data fra all ‘over natta’ handel i e-MID interbankmarkedet. Perioden er 593 dager, fra januar 2007 til april 2009. e-MID markedet er lokalisert i Italia og har over 200 representative kjøpere og selgere. Så hvordan finner man en intraday rate (ON – Over Night)?

For each business day in our sample, we compute the average interest rate for the ON trades taking place between 9 a.m. and 1 p.m.: this is the morning rate (R1). In the same fashion, we compute the average rate of the ON trades taking place between 2 p.m. and 6 p.m.: this is the afternoon rate (R2). The difference between R1 and R2 is the intraday interest rate.

Etter at man har gjort dette har man da en rate for hver dag, 593 datapunkter tilsammen. Hva nå?

Poenget med artikkelen er å prøve å forutsi hva denne raten kommer til å være i fremtiden. Når vi har en tidsserie har vi ulike metoder for å prøve å forutsi fremtiden. Disse metodene kalles Long-Memory, ARMA (Auto Regressive Moving Average) og ARFIMA i dette tilfellet. Modellen de ender opp med ser slik ut:
Screen shot 2011 09 14 at 22 24 01 Den svarte linjen er hva modellen spytter ut (modellen testes på den eksisterende tidsserien for å se hvor treffsikker den er.), med tilsvarende usikkerhetsfane (lilla, blå). Den røde linjen er den europeiske overnight interbank raten.

Så selv om de finner en modell som ser ut til å beskrive datasettet er ikke alt rosenrødt:

Our analysis is unfortunately agnostic on the source of the problems in the intraday money
market. But we show that exogenous variables to proxy liquidity and counterparty risks deteri- orates forecast accuracy. The predictability could derive from frictions in the market associated with market participant behaviors (such as unwillingness to borrow, stigma issues, central bank interventions as a source of news), which are difficult to model and above all to forecast.

Men det er derfor vi kaller det forskning.

Merket med ,

Legg igjen en kommentar

Fyll inn i feltene under, eller klikk på et ikon for å logge inn:

WordPress.com-logo

Du kommenterer med bruk av din WordPress.com konto. Logg ut / Endre )

Twitter picture

Du kommenterer med bruk av din Twitter konto. Logg ut / Endre )

Facebookbilde

Du kommenterer med bruk av din Facebook konto. Logg ut / Endre )

Google+ photo

Du kommenterer med bruk av din Google+ konto. Logg ut / Endre )

Kobler til %s

%d bloggers like this: