Mathematical Aspects of Financial Markets with Frictions

Frictions are factors that hinder trading of securities in financial markets. Typical frictions include limited market depth, transaction costs, lack of infinite divisibility of securities, and taxes. Conventional models used in mathematical finance often gloss over these issues, which affect almost all financial markets, by arguing that the impact of frictions is negligible and, consequently, the frictionless models are valid approximations. This dissertation consists of three research papers, which are related to the study of the validity of such approximations in two distinct modeling problems. Models of price dynamics that are based on diffusion processes, i.e., continuous strong Markov processes, are widely used in the frictionless scenario. The first paper establishes that diffusion models can indeed be understood as approximations of price dynamics in markets with frictions. This is achieved by introducing an agent-based model of a financial market where finitely many agents trade a financial security, the price of which evolves according to price impacts generated by trades. It is shown that, if the number of agents is large, then under certain assumptions the price process of security, which is a pure-jump process, can be approximated by a one-dimensional diffusion process. In a slightly extended model, in which agents may exhibit herd behavior, the approximating diffusion model turns out to be a stochastic volatility model. Finally, it is shown that when agents' tendency to herd is strong, logarithmic returns in the approximating stochastic volatility model are heavy-tailed. The remaining papers are related to no-arbitrage criteria and superhedging in continuous-time option pricing models under small-transaction-cost asymptotics. Guasoni, Rásonyi, and Schachermayer have recently shown that, in such a setting, any financial security admits no arbitrage opportunities and there exist no feasible superhedging strategies for European call and put options written on it, as long as its price process is continuous and has the so-called conditional full support (CFS) property. Motivated by this result, CFS is established for certain stochastic integrals and a subclass of Brownian semistationary processes in the two papers. As a consequence, a wide range of possibly non-Markovian local and stochastic volatility models have the CFS property.

Elements of Volatility at High Frequency

Volatility is central in options pricing and risk management. It reflects the uncertainty of investors and the inherent instability of the economy. Time series methods are among the most widely applied scientific methods to analyze and predict volatility. Very frequently sampled data contain much valuable information about the different elements of volatility and may ultimately reveal the reasons for time varying volatility. The use of such ultra-high-frequency data is common to all three essays of the dissertation. The dissertation belongs to the field of financial econometrics. The first essay uses wavelet methods to study the time-varying behavior of scaling laws and long-memory in the five-minute volatility series of Nokia on the Helsinki Stock Exchange around the burst of the IT-bubble. The essay is motivated by earlier findings which suggest that different scaling laws may apply to intraday time-scales and to larger time-scales, implying that the so-called annualized volatility depends on the data sampling frequency. The empirical results confirm the appearance of time varying long-memory and different scaling laws that, for a significant part, can be attributed to investor irrationality and to an intraday volatility periodicity called the New York effect. The findings have potentially important consequences for options pricing and risk management that commonly assume constant memory and scaling. The second essay investigates modelling the duration between trades in stock markets. Durations convoy information about investor intentions and provide an alternative view at volatility. Generalizations of standard autoregressive conditional duration (ACD) models are developed to meet needs observed in previous applications of the standard models. According to the empirical results based on data of actively traded stocks on the New York Stock Exchange and the Helsinki Stock Exchange the proposed generalization clearly outperforms the standard models and also performs well in comparison to another recently proposed alternative to the standard models. The distribution used to derive the generalization may also prove valuable in other areas of risk management. The third essay studies empirically the effect of decimalization on volatility and market microstructure noise. Decimalization refers to the change from fractional pricing to decimal pricing and it was carried out on the New York Stock Exchange in January, 2001. The methods used here are more accurate than in the earlier studies and put more weight on market microstructure. The main result is that decimalization decreased observed volatility by reducing noise variance especially for the highly active stocks. The results help risk management and market mechanism designing.

Suomalaisten julkisesti listattujen senttiosakkeiden suoriutuminen verrattuna OMX Helsinki Small Cap -indeksin muihin osakkeisiin

Senttiosakkeista tehtyjä tutkimuksia on olemassa hyvin rajoitetusti, ja ne ovat keskittyneet lähinnä senttiosakelistautumisiin. Tässä tutkielmassa tarkastellaan suomalaisia julkisesti noteerattuja senttiosakkeita ja niiden suoriutumista kymmenen vuoden ajanjaksolla vuosina 2006–2015. Tavoitteena oli selvittää, onko suomalaisiin julkisesti noteerattuihin senttiosakkeisiin sijoittaminen kannattavaa toimintaa ja minkälaisia tuottoja on odotettavissa senttiosakkeisiin sijoittamalla. Tutkimusaineisto koostui tutkielmassa tehdyn määritelmän mukaisista senttiosakkeista ja muista Small Cap -indeksin osakkeista, joita kutsuttiin puolestaan ei-senttiosakkeiksi. Tuotot laskettiin osakkeiden päivittäisistä tuottoindekseistä. Tuottoja verrattiin lyhyellä, keskipitkällä ja pitkällä aikavälillä. Tuottojen tarkastelun tueksi senttiosakkeille ja ei-senttiosakkeille laskettiin seuraavat menestysmittarit: Sharpen luku, Treynorin indeksi ja Jensenin alfa. Lopuksi verrattiin vielä seuraavia tunnuslukuja: ROE (%), E/P-luku, P/B-luku, osinkotuotto-% ja velan suhde omaan pääomaan (%). Saatujen tulosten perusteella suomalaiset julkisesti noteeratut senttiosakkeet ovat lyhyellä aikavälillä kannattavia sijoituskohteita, mutta mitä pidemmäksi tarkasteluperiodi kasvoi, sitä huonommin ne suoriutuivat. Lisäksi senttiosakkeet hävisivät kaikilla tarkasteluperiodeilla ei-senttiosakkeille. Suurimmat positiiviset tuotot olivat kuitenkin yksittäisillä senttiosakkeilla. Senttiosakkeisiin havaittiin liittyvän paljon riskejä, kuten suuri volatiliteetti, suuret negatiiviset tuotot ja konkurssin mahdollisuus. Myös kaikki menestysmittarit ja tunnusluvut indikoivat senttiosakkeiden olevan ei-senttiosakkeita huonompia sijoituskohteita. Sijoittajien on oltava erityisen tarkkoja senttiosakkeiden kanssa, sillä niihin sijoittaminen on pitkälti verrattavissa uhkapelaamiseen.

Osakeindeksioption implisiittisen volatiliteetin informaatiosisältö

Volatiliteetilla mitataan arvopaperin toteutuneen tuoton epävarmuutta ja sillä on keskeinen rooli riskienhallinnassa sekä arvopapereiden hinnoittelussa. Volatiliteetin estimoimiseen on kaksi vaihtoehtoista lähestymistapaa. Historiallinen volatiliteetti estimoidaan toteutuneesta hintadatasta, kun taas implisiittinen volatiliteetti voidaan johtaa optioiden markkinahinnoista käyttämällä Black-Scholes-Merton-hinnoittelumallia tai vaihtoehtoisesti Britten-Jonesin ja Neubergerin kehittämää mallia (mallivapaa implisiittinen volatiliteetti), joka ei ole riippuvainen mistään tietystä hinnoittelumallista, vaan johdetaan suoraan optioiden markkinahinnoista. Implisiittinen volatiliteetti edustaa näin ollen markkinaosapuolten näkemystä option jäljellä olevana juoksuaikana toteutuvasta volatiliteetista. Toteutuvan volatiliteetin ennustamista implisiittisen ja historiallisen volatiliteetin avulla on tutkittu laajalti 1970-luvulta lähtien ja tulokset ovat olleet ristiriitaisia sekä historiallisen ja implisiittisen volatiliteetin keskinäisessä vertailussa että kahden eri implisiittisen volatiliteetin vertailussa. Tämän tutkielman tavoite on selvittää ennustaako implisiittinen volatiliteetti toteutuvaa volatiliteettia. Tutkielmassa syvennytään erityisesti vertailemaan historiallisen volatiliteetin, Black–Scholes-implisiittisen sekä mallivapaan implisiittisen volatiliteetin paremmuutta toteutuvan volatiliteetin ennusteina. Tutkielman empiirinen osuus on suoritettu eurooppalaisella aineistolla käyttämällä EURO STOXX 50 -indeksin, siihen liittyvien osto-optioiden sekä VSTOXX-volatiliteetti-indeksin hintatietoja vuosilta 2006–2014. Aikasarjatutkimus on suoritettu ei-päällekkäisillä havainnoilla niin, että jokaista volatiliteettiennustetta kohden on tasan yksi kuukauden mittainen periodi, jolta toteutunut volatiliteetti lasketaan. Empiirinen tarkastelu on suoritettu PNS-regressioanalyysillä, jolla on ensin tutkittu jokaisen volatiliteettiennusteen kykyä selittää toteutuvaa volatiliteettia sekä erikseen että yhdessä. Tulosten perusteella mallivapaa implisiittinen volatiliteetti on harhainen, mutta tutkituista ennusteista selkeästi tehokkain ennustamaan toteutuvaa volatiliteettia ja sisällyttää itseensä sekä Black–Scholes-implisiittisen että historiallisen volatiliteetin sisältämän informaation

Low-Volatility Anomaly in Helsinki Stock Exchange

International research shows that low-volatility stocks have beaten high-volatility stocks in terms of returns for decades on multiple markets. This abbreviation from traditional risk-return framework is known as low-volatility anomaly. This study focuses on explaining the anomaly and finding how strongly it appears in NASDAQ OMX Helsinki stock exchange. Data consists of all listed companies starting from 2001 and ending close to 2015. Methodology follows closely Baker and Haugen (2012) by sorting companies into deciles according to 3-month volatility and then calculating monthly returns for these different volatility groups. Annualized return for the lowest volatility decile is 8.85 %, while highest volatility decile destroys wealth at rate of -19.96 % per annum. Results are parallel also in quintiles that represent larger amount of companies and thus dilute outliers. Observation period captures financial crisis of 2007-2008 and European debt crisis, which embodies as low main index annual return of 1 %, but at the same time proves the success of low-volatility strategy. Low-volatility anomaly is driven by multiple reasons such as leverage constrained trading and managerial incentives which both prompt to invest in risky assets, but behavioral matters also have major weight in maintaining the anomaly.