Abstract:
Initially overlooked by investors, the sovereign credit risk has been reassessed upwards since the 2000s which has contributed to awake the interest of speculators in sovereign CDS. The growing need of accurate forecasting models has led us to fill the gap in the literature by studying the predictability of sovereign CDS volatility, using both linear and non-linear GARCH-class models. This paper uses data from 38 worldwide countries, ranging from January 2006 to March 2017. Results show that the CDS markets are subject to periods of volatility clustering, nonlinearity, asymmetric leverage effects and long-memory behavior. Using 7 heteroskedastic and no heteroskedastic-robust statistic criteria, results show that the fractionally-integrated models outperform the basic GARCH-class models in terms of forecasting ability and that allowing flexibility regarding the persistence degree of variance shocks significantly improves the model’s suitability to data. Despite the divergence in the economic status and geographical positions of the countries composing our sample, the FIGARCH and FIEGARCH models are mainly found to be the most accurate models in predicting credit market volatility.
Keywords : CDS volatility, Predictability, Forecasting models, Loss functions criteria.
Résumé :
Initialement ignoré par les investisseurs, le risque de crédit souverain a été réévalué à la hausse depuis les années 2000, ce qui a contribué à éveiller l'intérêt des spéculateurs pour les CDS souverains. Le besoin croissant de modèles de prévision précis nous a amenés à combler le vide dans la littérature en étudiant la prévisibilité de la volatilité des CDS souverains et en utilisant des modèles linéaires et non linéaires de la classe GARCH. Cet article utilise des données de 38 pays dans le monde, allant de janvier 2006 à mars 2017. Les résultats montrent que les marchés des CDS sont soumis à des périodes de regroupement de volatilité, de non-linéarité, d'effets de levier asymétriques et de comportement à longue mémoire. En utilisant 7 critères statistiques hétéroskédastiques et aucun critère hétéroskédastique robuste, les résultats montrent que les modèles partiellement intégrés surpassent les modèles de base de la classe GARCH en termes de capacité de prévision, permettant une flexibilité concernant le degré de persistance des chocs de variance. Malgré la divergence de la situation économique et des positions géographiques des pays composants notre échantillon, les modèles FIGARCH et FIEGARCH se révèlent principalement être les modèles les plus précis pour prédire la volatilité du marché du crédit.
Mots-clés : Volatilité du CDS, prévisibilité, modèles de prévision, critères des fonctions de perte.