Dynamic distances between stock markets: use of uncertainty indices measures

Carlos A. Acuña; Catalina Bolancé Bolancé; Salvador Torra

doi:10.26360/2021_3

Autores/as

Carlos A. Acuña Universidad de Barcelona (España)
Catalina Bolancé Bolancé Universidad de Barcelona (España)
Salvador Torra Universidad de Barcelona (España)

DOI:

https://doi.org/10.26360/2021_3

Palabras clave:

distancias de los mercados, índice de incertidumbre, crisis financiera, dependencia espacial, mercado de valores

Resumen

En este estudio consideramos cómo identificar con mayor precisión el posible impacto del riesgo sistémico en la dependencia espacial relacionada con las crisis financieras más importantes de los últimos 17 años: la quiebra de Lehman Brothers, la crisis de las hipotecas subprime, la crisis de la deuda europea, el Brexit. y la pandemia de COVID-19 que también ha afectado a los mercados financieros. Analizamos dos nuevas distancias dinámicas aplicadas a los mercados de valores en base a criterios exógenos conocidos como el World Uncertainty Index (WUI) y nuestra propuesta de Google Trends Uncertainty Index (GTUI). Abordamos la viabilidad y los beneficios de estas distancias dinámicas frente a un criterio alternativo basado en horas. Utilizando la nueva distancia dinámica propuesta para obtener la estadística I de Moran, analizamos la dependencia espacial entre las pérdidas de 46 bolsas de valores.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Acuña, C. A., Bolancé, C., and S. Torra. (2018). Análisis de la dependencia espacial entre índices bursátiles. Anales del Instituto de Actuarios Españoles, 24, 79–97.

Ahir, H., Bloom, N., and D. Furceri. (2019). The World Uncertainty Index. Technical Report 19-027, SIEPR-Stanford Institute for Economic Policy Research.

Asgharian, H., Hess, W., and Liu. L. (2013). A spatial analysis of international stock market linkages. Journal of Banking & Finance, 37(12), 4738- 4754.

Baker, S. R., Bloom, N., and Davis, S. J. (2016). Measuring economic policy uncertainty. The Quarterly Journal of Economics, 131(4), 1593-1636.

Bolancé, C., and Acuña, C.A. (2021). A new kernel estimator of copulas based on beta quantile transformations. Mathematics, 9, URL: https://www.mdpicom/2227-7390/9/10/1078.

Castelnuovo, E., and Tran, T. D. (2017). Google it up! a google trends-based uncertainty index for the United States and Australia. Economics Letters, 161, 149-153.

Flavin, T., Hurley, M. J., and Rousseau, F. (2002). Explaining stock market correlation: A gravity model approach. Manchester School, 70, 87-106.

Ghirelli, C., Pérez, J. J., and Urtasun, A. (2019). A new economic policy uncertainty index for Spain. Economics Letters, 182, 64-67.

Griffith, D. A. (2010). The Moran Coefficient for non-normal data. Journal of Statistical Planning and Inference, 140, 2980-2990.

McNeil, A. J., Frey, R., and Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools. Revised edition. Economics Books, Princeton University Press, edition 2, number 10496.

Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37, 17-23.

Weinberg, L. (2020). The Google Trends Uncertainty (gtu) Index: A measure of economic policy uncertainty in the EUu using google trends. Undergraduate Economic Review, 17: Article 2.