Next the results from the EGARCH(1,

Next the results from the EGARCH(1,1) and EGARCH(1,1)-M models are considered. The left hand side of equation (6) has a factor which is the loga-rithm of the conditional variance, which can be used to approximate a leverage effect. Nelson (1991) suggests that the asymmetric or leverage effect is expo-nential and the forecasts of the conditional variance are guaranteed to be non-negative. As reported by Nelson (1991) and Schwert (1990), this coefficient is typically negative, which means positive return shocks usually generate less volatility than negative return shocks, all else being equal. Consistent with previous findings, the parameter is negative and statistically significant at the 5% level for the EGARCH(1,1) model and the EGARCH(1,1)-M model. These indicate that leverage (asymmetric) effects in Australian Three-Year T-Bond futures returns series exist during the sample period.Panel A indicates that the news impact curve from the EGARCH(1,1)-M is asymmetric for good news and bad news. It shows that negative return shocks (i.e. bad news) have greater effects than positive return shocks (i.e. good news) for the Three-Year T-Bond futures return volatility, as the slope of the impact curve is steeper when z is less than zero (bad news), than when z is greater than zero (good news). However, the news impact curve from the TARCH(1,1)-M model in Panel B is almost symmetric for good news and bad news. How-ever, we cannot draw a conclusion based upon this qualitative measurement. We need further statistical tests in order to determine which model best explains the three-year T-Bond futures return volatility pattern.
Now we formally perform the diagnostic tests mentioned earlier to deter-mine which model yields the best result. Table 3 reports the results of diag-nostic tests of linear and non-linear GARCH models used for measuring Three-Year T-Bond futures return volatility.
In Table 3, The parameter corresponding to t−1 is statistically significant at the 5% level except for the linear GARCH(1,1) model. The parameter cor-responding to t−1 t−1 is statistically significant at the 1% level for all non-linear GARCH models and at the 5% level for all linear models. The parameter corresponding to t−1 t−1 is statistically significant at the 5% level for all non-linear models, but is insignificant for all linear models. These are consistentIn Threshold ARCH model representation, good news (0) has an impact of on volatility and bad news (0) has an impact of () on volatility. If 0 the news impact is asymmetric. From Table 2, the parameter is positive and statistically significant at the 1% level for both the TARCH(1,1) and the TARCG(1,1)-M models. As we also observed a significant coefficient when using EGARCH(1,1) models, the results from TARCH(1,1) model may again verify that non-linear GARCH models are appropriate to model the return volatility for the Australian Three-Year T-Bond futures. Thus, we may conclude that a non-linear model Threshold ARCH model may be appropriate for the Three-Year T-Bond futures return volatility. Our results also suggest that using a non-linear GARCH model may give additional insight concerning volatility reactions to good news and bad news.
with the hypothesis in our model estimations that bad news causes a higher degree of volatility than good news. The results also suggest that large and small good news have differing impacts on volatility. Overall, we may conclude that the EGARCH(1,1)-M or Threshold ARCH(1,1)-M models outperform all other models in capturing the dynamic return volatility behaviour for Austral-ian Three-Year T-Bond futures contracts.
Summary statistics of the conditional variance estimates are presented in Table 4. It reports the daily conditional variance from various types of GARCH models estimated in Table 2.

Kết quả (Việt) 1:

Tiếp theo các kết quả từ EGARCH(1,1) và EGARCH (1,1)-M mô hình được coi là. Bên trái của phương trình (6) có một yếu tố đó là rithm loga phương sai có điều kiện, có thể được sử dụng để xác định một tác dụng đòn bẩy. Nelson (1991) cho thấy rằng sự bất đối xứng hoặc tận dụng hiệu quả là hội chợ triển lãm-nential và dự báo của phương sai có điều kiện được đảm bảo là không âm. Theo báo cáo của Nelson (1991) và Schwert (1990), coefficient này là thường tiêu cực, có nghĩa là tích cực trở lại chấn động thường tạo ra ít biến động hơn tiêu cực chấn động trở lại, tất cả khác là như nhau. Phù hợp với findings trước đó, các tham số is tiêu cực và thống kê significant ở mức 5% cho các mô hình EGARCH(1,1) và EGARCH (1,1)-M model. Đây chỉ ra rằng hiệu ứng đòn bẩy (không đối xứng) trong tương lai Úc ba năm T-trái phiếu trả về loạt tồn tại trong giai đoạn mẫu.Bảng A chỉ ra rằng các đường cong tác động tin tức từ EGARCH (1,1)-M là không đối xứng cho tin tốt và tin xấu. Nó cho thấy rằng chấn động trở lại tiêu cực (tức là tin xấu) có tác động lớn hơn hơn tích cực chấn động trở lại (tức là tin tốt) cho tương lai ba năm T-trái phiếu trở lại bay hơi, như độ dốc của đường cong tác động là dốc hơn khi z là ít hơn số không (tin xấu), hơn khi z là lớn hơn số không (tin tức tốt). Tuy nhiên, tác động tin tức đường cong từ TARCH (1,1)-M mô hình trong bảng B là gần như đối xứng cho tin tốt và tin xấu. Làm thế nào-bao giờ hết, chúng ta không thể rút ra một kết luận dựa trên các đo lường chất lượng này. Chúng tôi cần thêm thống kê thử nghiệm để xác định mô hình tốt nhất giải thích ba năm, mô hình T-Bond tương lai trở lại bay hơi.Bây giờ chúng tôi chính thức thực hiện các xét nghiệm chẩn đoán đã đề cập trước đó để ngăn chặn mỏ mô hình mang lại kết quả tốt nhất. Bảng 3 báo cáo kết quả của c-nostic thử nghiệm của tuyến tính và phi tuyến tính mô hình GARCH được sử dụng để đo ba năm T-Bond tương lai trở lại bay hơi.Trong bảng 3, các tham số tương ứng với t−1 ý nghĩa thống kê là significant ở mức 5% ngoại trừ các mô hình GARCH(1,1) tuyến tính. Các tham số cor-đáp ứng t−1 t−1 ý nghĩa thống kê là significant ở mức 1% cho tất cả các mô hình GARCH phi tuyến tính và ở mức 5% cho tất cả các mô hình tuyến tính. Các tham số tương ứng với t−1 t−1 là thống kê significant ở mức 5% cho tất cả các mô hình phi tuyến tính, nhưng là insignificant cho tất cả các mô hình tuyến tính. Đây là những consistentIn ngưỡng ARCH mô hình đại diện, tin tốt (0) có một tác động của on bay hơi và tin xấu (0) có một tác động () trên bay hơi. Nếu 0 tác động tin tức là không đối xứng. Từ bảng 2, các tham số is tích cực và thống kê significant ở mức 1% cho cả TARCH(1,1) và TARCG (1,1)-mô hình M. Như chúng tôi cũng quan sát thấy một coefficient significant khi sử dụng mô hình EGARCH(1,1), kết quả từ TARCH(1,1) mô hình một lần nữa có thể xác minh rằng phi tuyến tính GARCH mô hình được thích hợp làm người mẫu biến động trở lại cho tương lai Úc ba năm T-trái phiếu. Vì vậy, chúng tôi có thể kết luận rằng một phi tuyến tính mô hình ngưỡng ARCH mô hình có thể thích hợp cho ba năm T-Bond tương lai biến động trở lại. Kết quả của chúng tôi cũng đề nghị rằng bằng cách sử dụng một mô hình GARCH phi tuyến tính có thể đưa ra cái nhìn sâu sắc bổ sung liên quan đến biến động phản ứng với tin tốt và tin xấu. với giả thuyết trong estimations mô hình của chúng tôi rằng tin tức xấu gây ra một mức độ cao hơn bay hơi hơn tin tốt. Các kết quả cũng đề nghị rằng tin tức tốt lớn và nhỏ có tác động khác nhau trên bay hơi. Nói chung, chúng tôi có thể kết luận rằng EGARCH (1,1) - M hoặc ngưỡng ARCH (1,1) - M mô hình tốt hơn tất cả các mô hình khác trong việc chụp hành vi động biến động trở lại đối với hợp đồng tương lai Austral-ian ba năm T-trái phiếu.Sơ lược về số liệu thống kê của các ước tính có điều kiện phương sai được trình bày trong bảng 4. Nó báo cáo phương sai có điều kiện hàng ngày từ loại khác nhau của mô hình GARCH ước tính trong bảng 2.

Kết quả (Việt) 2:

Tiếp theo các kết quả từ EGARCH (1,1) và EGARCH (1,1) mô hình -M được xem xét. Phía bên tay trái của phương trình (6) có một yếu tố đó là Loga-rithm của phương sai có điều kiện, có thể được sử dụng để xác hiệu ứng đòn bẩy. Nelson (1991) cho thấy rằng tác động không đối xứng hoặc đòn bẩy là hội chợ-nential và các dự báo của phương sai có điều kiện có bảo đảm là không âm. Theo báo cáo của Nelson (1991) và Schwert (1990), coef này fi cient thường là tiêu cực, có nghĩa là những cú sốc trở lại tích cực thường tạo ra ít biến động hơn so với những cú sốc tiêu cực trở lại, tất cả các khác là như nhau. Phù hợp với ndings fi trước, tham số is tiêu cực và trọng yếu về mặt thống kê không thể fi ở mức 5% cho EGARCH (1,1) mô hình và EGARCH (1,1) mô hình -M. Các chỉ ra rằng đòn bẩy (asymmetric) hiệu ứng trong ba năm T-Bond tương lai của Úc trả về hàng loạt tồn tại trong mẫu period.Panel A chỉ ra rằng đường cong tác động tin tức từ các EGARCH (1,1) -M là không đối xứng cho tin tốt và xấu tin tức. Nó cho thấy rằng những cú sốc tiêu cực trở lại (tức là tin tức xấu) có tác dụng lớn hơn những cú sốc trở lại tích cực (tức là tin tốt) cho kỳ hạn ba năm T-Bond biến động trở lại, như độ dốc của đường cong tác động là dốc hơn khi z là nhỏ hơn không (tin xấu), so với khi z là lớn hơn không (tin tức tốt lành). Tuy nhiên, đường cong tác động tin tức từ các mô hình TARCH (1,1) -M trong hình B là gần như đối xứng cho tin tốt và tin xấu. Làm thế nào-bao giờ hết, chúng ta không thể rút ra một kết luận dựa vào đo lường chất lượng này. Chúng ta cần kiểm tra thống kê chi tiết để xác định mô hình tốt nhất giải thích ba năm tương lai T-Bond trở lại mô hình biến động.
Bây giờ chúng tôi chính thức thực hiện các xét nghiệm chẩn đoán đã đề cập trước để ngăn chặn mỏ mà mô hình mang lại kết quả tốt nhất. Bảng 3 báo cáo kết quả kiểm tra chéo-chẩn của các mô hình GARCH tuyến tính và phi tuyến tính được sử dụng để đo lường Ba Năm T-Bond tương lai trở lại biến động.
Trong bảng 3, tham số tương ứng với t-1 là thống kê trọng yếu không thể fi ở mức 5% trừ (1,1) mô hình GARCH tuyến tính. Tham số cor-đáp ứng t-1 t-1 là thống kê trọng yếu không thể fi ở mức 1% cho tất cả các mô hình GARCH phi tuyến tính và ở mức 5% cho tất cả các mô hình tuyến tính. Các tham số tương ứng với t-1 t-1 là thống kê trọng yếu không thể fi ở mức 5% cho tất cả các mô hình phi tuyến tính, nhưng là insigni không thể fi cho tất cả các mô hình tuyến tính. Đây là những consistentIn Threshold ARCH mô hình đại diện, tin tức tốt (0) có một tác động của biến động on và tin xấu (0) có một tác động của () vào biến động. Nếu 0 tác động tức là không đối xứng. Từ bảng 2, tham số is tích cực và trọng yếu về mặt thống kê không thể fi ở mức 1% cho cả TARCH (1,1) và TARCG (1,1) mô hình -M. Như chúng ta cũng quan sát thấy một trọng yếu coef fi cient khi sử dụng EGARCH (1,1) các mô hình, các kết quả từ TARCH (1,1) mô hình một lần nữa có thể xác minh rằng các mô hình GARCH phi tuyến tính phù hợp với mô hình biến động trở lại cho ba Úc Năm T-Bond tương lai. Vì vậy, chúng tôi có thể kết luận rằng một mô hình ARCH mô hình Threshold phi tuyến tính có thể thích hợp cho Ba Năm T-Bond tương lai biến động trở lại. Kết quả của chúng tôi cũng cho thấy rằng việc sử dụng một mô hình GARCH phi tuyến tính có thể đưa ra cái nhìn sâu sắc thêm liên quan đến các phản ứng biến để tin tốt và tin xấu.
với giả thuyết trong mô hình của chúng tôi ước tính rằng tin xấu gây ra một mức độ cao hơn của biến động hơn so với tin tức tốt lành. Các kết quả cũng cho thấy rằng lớn và nhỏ tin tức tốt có tác động khác nhau về biến động. Nhìn chung, chúng ta có thể kết luận rằng EGARCH (1,1) -M hoặc Threshold ARCH (1,1) mô hình -M tốt hơn tất cả các mô hình khác trong việc nắm bắt các động trở lại hành vi biến động cho Austral-ian ba năm hợp đồng tương lai T-Bond.
số liệu thống kê tóm tắt các ước lượng phương sai có điều kiện được trình bày trong Bảng 4. Nó báo cáo phương sai có điều kiện hàng ngày từ các loại khác nhau của các mô hình GARCH ước tính trong bảng 2.