Impact of Derivative Trading on the volatility of the underlying asset

Uploaded on

The aim of the study is to analyze the impact of additional information generated due to introduction of individual stock derivative instrument on the volatility of returns on the underlying stock

The aim of the study is to analyze the impact of additional information generated due to introduction of individual stock derivative instrument on the volatility of returns on the underlying stock

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads


Total Views
On Slideshare
From Embeds
Number of Embeds



Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

    No notes for slide


  • 1. IMPACT OF DERIVATIVE TRADING ON THE VOLATILITY  OF THE UNDERLYING ASSET – ITC Ltd    Financial Time Series   Project Report        Course Instructor:  Prof. Devi Prasad Bedari    By  Mangala Subramaniam  Prasanna R  Ramnath Shenoy  Sumit Poddar  Swaroop Keshav   
  • 2. IMPACT OF DERIVATIVE TRADING ON THE VOLATILITY OF THE UNDERLYING  STOCK – ITC LIMITED  INTRODUCTION:   Despite the reforms of nineties the level of concentration in trading as well as speculative trading is very  high in the case of secondary stock market. Hence, derivative trading was introduced to attract much of  the speculative transactions and to enable investor to choose the level of portfolio risk. The efficiencies  of these markets complement each other.   In  derivative  trading,  there  are  a  set  of  information  seekers  who  help  improve  market  efficiency  –  hedgers,  arbitrageurs  and  manipulators.  While  hedgers  and  arbitrageurs  facilitate  the  linking  of  spot  market prices with the derivative market price, the manipulators role in manipulation of the market by  taking  huge  leverage  cannot  be  ignored.  Based  on  the  purpose  for  which  the  derivative  instrument  is  used the volatility of the stock would be reduced or increased during the post‐derivative period.  The aim of the study is to analyze the impact of additional information generated due to introduction of  individual stock derivative instrument on the volatility of returns on the underlying stock – ITC Ltd. The  study  first  tests  for  asymmetric  response  in  the  period  before  introduction  of  derivative  instruments,  after introduction of derivative instrument and for the full period. Later by using the appropriate model,  it deduces the impact of derivative trading in the volatility of the stock – ITC Ltd.  EMPERICAL DESIGN:  Since,  the  underlying  asset  being  analysed  is  a  stock  or  an  index,  the  probability  of  the  series  being  characterized  by  heteroskedasticity  is  very  high.  Hence,  the  present  study  begins  by  examining  the  presence  of  heteroskedasticity  in  the  asset  return  series.  The  results  indicated  presence  of  heteroskedasticity.  Following  this  the  stock  returns  are  also  tested  for  stationarity.  Consequently,  it  is  hypothesized that the asset returns series follows a GARCH process.   The GARCH Model is as described below:  Mean Equation:   Rt = c + ut, where ut~N(0,ht)  2 2 2 Variance Equation:    0 1 1 1 1  where, Rt is  the log returns of the underlying asset, ut is assumed to be independently and identically  distributed  with  mean  zero,  ht  represents  conditional  variance  in  period  t,  α1  describes  the  ‘news  coefficient’ (impact of one time period old news) and β represents the ‘persistence coefficient’ (impact  of news older than one time period). 
  • 3. However, the standard GARCH models assume symmetry in the response of volatility to information. If  the  response  is  asymmetric,  then  the  standard  GARCH  models  will  end  up  mis‐specifying  the  relationship  and  further  inferences  based  on  this  model  may  be  misleading.  However,  GJR  Model  and  EGARCH model can be used to model the asymmetry.   Variance Equation:  GJR Model:     ,   where It-1 = 1, if ut-1 < 0 = 0 otherwise. EGARCH Model:  ln ln | | 2   In the present study, firstly, the existence of asymmetric response is tested individually for each asset,  for all three time periods, i.e.: (i) pre introduction of derivatives, (ii) post introduction and (iii) full period.  Then  from  the  appropriate  model,  so  generated  GARCH  coefficients  would  be  used  to  analyze  the  following:  1) Conditional variance:  Assuming that the conditional mean (of ht ) is constant and equal to zero, and  that  α1+β  <1,  the  unconditional  variance  of  the  standard  GARCH  model  can  be  expressed  as:  1 .  2) To  study  the  relationship  between  information  and  volatility  following  the  onset  of  derivatives  trading,  a  dummy  variable  is  introduced  in  the  conditional  variance  equation  with  the  dummy  variable D taking on the value zero pre, and one post introduction of derivatives.  GJR Model:    EGARCH:  ln ln | | 2   If  , the coefficient of the dummy variable, is statistically significant, then it can be said that existence  of derivative trading has had an impact on spot market volatility. Further, the sign of   indicates the  direction  of  change  in  the  spot  market  volatility.  If  the  coefficient  is  negative,  it  can  be  said  that  the  volatility has reduced post introduction of derivatives and vice versa if the coefficient is positive. 
  • 4. However, the reduction in volatility may be simply because of the impact of market pervasive factors.  Hence,  it  is  necessary  to  separate  the  volatility  arising  from  market  wide  factors.  Hence  the  following  mean equation is used while studying the impact of derivatives on the volatility of the underlying stock.  Rt = c + δRNifty + ut  DATA:  The impact of derivative trading is studied only in the case of the stock ITC Ltd. The derivative trading for  this  stock  has  commenced  by  May  2005.  The  study  analyses  daily  closing  prices  of  each  stock  for  the  period January 1997 to March 2009. In order to map the effect of market pervasive factors that affect  the volatility of stock returns, returns on nifty was used for that same time frame. The data on closing  prices for stock ITC Ltd and Nifty Index was obtained from NSE website.  The log return of the asset is  calculated as Rt = ln .  RESULTS AND ANALYSIS:  The  return  of  the  stock  ITC  Ltd  and  Nifty  were  tested  for  stationarity  using  Augmented  Dickey  Fuller  Test. It was found that the level series of the returns were stationary and hence t‐statistic can be used to  interpret the significance of the variable. The results of the test are as follows:  ADF Test  RITC  RNIFTY  t‐statistic  ‐55.5137 ‐51.9558 p‐value  0.0001 0.0001 The  summary  statistic  of  the  three  time  periods  analysed  was  calculated.  The  Jarque‐Bera  (JB)  test  is  based on the result that a normally distributed random variable should have a skewness equal to zero  and  kurtosis  equal  to  three.  The  results  of  Lagrange  Multiplier  (LM)  test  examining  the  presence  of  autocorrelation in squared residuals is also given below. The test is conducted up to a lag of 12 and both  the JB test statistic and LM test statistic follows a chi‐square distribution.  ITC  Mean  Std Dev  Skewness  Kurtosis  JB  LM  Overall Period  0.066988  2.392207 ‐0.00947  5.505908 799.383  317.537  Pre‐Derivative  0.06853  2.477688 ‐0.0147  5.77811  670.5673  209.7054 Post‐Derivative  0.065823  2.198581 0.003506  4.288161 66.99863  90.18397 It  was  found  that  the  skewness  is  non‐zero  and  the  kurtosis  is  in  excess  of  three.  Further,  the  JB  test  indicates  that  the  assumption  of  normality  is  violated  by  log  return  series.  Finally,  the  LM  statistic  suggests  that  in  almost  all  the  cases  the  squared  residuals  are  autocorrelated,  thus  confirming  the 
  • 5. presence of ARCH effects in the time series analyzed. From the graph of return on the stock ITC Ltd, It  can  be  found  that  there  is  a  tendency  of  large  changes  in  stock  price  (of  either  sign)  to  follow  large  changes and small changes (of either sign) to follow the small changes. In other words, current level of  volatility  tends  to  be  positively  correlated  with  its  level  during  the  immediately  preceding  levels.  This  tendency is called volatility clustering. ARCH Model can be used effectively to model volatility clustering.  Return of ITC ‐ Volatility Clustering  15 10 5 0 1 1501 3001 ‐5 ‐10 ‐15   Consequently, in order to study the impact of information on volatility of stock returns, a Generalized  ARCH  measure  of  volatility  would  be  enough.  However  as  most  of  the  financial  series  possess  asymmetric  response;  test  for  asymmetric  response  is  performed  using  GJR  and  EGARCH  Model.  The  result of the GJR Model is as below:  LM Test  Unconditional  GJR Model  α0  α1  β    Obs. R  p‐Value  variance  Overall Period  0.2074***  0.0689*** 0.8713*** 0.0473*** 9.2672 0.5069  5.7681 Pre‐Derivative  0.1447***  0.0640*** 0.8977*** 0.0308** 10.22121 0.5965  6.3598 Post‐Derivative  0.4004***  0.0549*** 0.8029*** 0.1129*** 5.604562 0.8473  4.6793 Note: Numbers denote significance level at *** (1%), ** (5%) and * (10%) level respectively. The  value  of    was  highly  significant  confirming  the  asymmetric  leverage  effect  i.e.,  asymmetry  in  responding  to  the  good  and  the  bad  shocks.  It  is  found  that  increase  in  volatility  was  high  with  the  occurrence  of  negative  shock  rather  than  that  while  effected  during  the  positive  shock.  Post‐ introduction of derivative, the asymmetric effect also seems to have increased and this is evident from  the  high  values  of    for  the  post‐introduction  period.  There  is  no  autocorrelation  of  the  residuals  resulting from the GJR Model and this is evident from the chi‐square test. The observed R values and the  respective  probability  results  of  the  LM  Autocorrelation  test  is  also  provided  in  the  table.  The  Null 
  • 6. hypothesis  “there  is  no  auto  correlation  is  not  rejected”.  The  long  run  (unconditional)  variance  in  the  case of GJR model given by Andersen et. al. (2005) is as below:  1 .5   It is clear from the GJR Model that the unconditional volatility has decreased after derivative trading was  allowed in the stock ITC Ltd.  The results of EGARCH Model are as given below:  LM Test  EGARCH  ω  β    α  Obs. R  P Value  ***  *** *** *** Complete Period  ‐0.0745 0.9627 ‐0.0426 0.1790 12.3476  0.2624  ***  *** *** *** Pre‐Derivative  ‐0.0760 0.9778 ‐0.0382 0.1517 14.7121  0.1429  *** *** *** Post‐Derivative  ‐0.01997  0.8932 ‐0.0854 0.2289 5.9364  0.8205  *** ** * Note: Numbers denote significance level at (1%), (5%) and (10%) level respectively.  The  significance  of  the  sign  effect  variable  is  also  high  and  found  to  be  negative.  This  confirms  the  asymmetric  effect  in  the  underlying  stock  ITC  Ltd.  Post‐introduction  of  the  Derivatives,  it  is  also  observed that the ITC stock had higher sign and size effect which is evident from the values of   and α  which is very high compared to the period before the introduction of derivative.  It is found that increase  in volatility was high with the occurrence of negative shock rather than that while effected during the  positive  shock.  The  residual  test  –  LM  Autocorrelation  test  also  confirmed  the  absence  of  autocorrelation in residuals.   In order to analyze the overall impact of introduction of derivatives on the conditional volatility of the  spot  market,  a  dummy  was  incorporated  while  specifying  the  volatility  dynamics.  The  dummy  would  take a value zero in the pre‐introduction period and one post. The results of the GJR Model indicate that  the coefficient of the dummy variable is negative but significant only at 18 %. But from EGARCH Model it  could be observed that that the coefficient of the dummy variable is negative and significant at 2% .   GJR MODEL  GJR Model  c  δ  α0  α1  β  1  2  LM Test ITC Ltd  0.0425  0.7840  0.1946  0.0871  0.8632  ‐0.0031  ‐0.0182  7.3841  Signif. (p‐value)  0.1933  0  0  0  0  0.8132  0.1773  0.6887   
  • 7. EGARCH MODEL  EGARCH  c  δ  Omega  β  1  α  2  LM Test ITC Ltd  0.0443  0.7789  ‐0.0774  0.9521  0.0039  0.1846  ‐0.01173  7.6577  Signif. (p‐value)  0.167  0  0  0  0.6355  0  0.0141  0.6622  Thus,  it  can  be  said  that  introduction  of  derivatives  trading  has  resulted  in  reduction  in  spot  market  volatility. The asymmetric effect in the above model has become insignificant in both GJR and EGARCH  Model. One probable reason could be much of the asymmetric behavior of the stock price of ITC would  have been explained by the asymmetric behavior of the stock index NIFTY which is being included in the  Mean equation for the study of impact of derivative. The asymmetric effect of NIFTY can be observed  below from its estimates of GJR and GARCH Model.  LM Test  GJR Model  α0  α1  β    Obs. R  p‐Value  NIFTY  0.1344***  0.0547*** 0.8210*** 0.1546*** 5.076   0.8806    LM Test  EGARCH  ω  β    α  Obs. R  P Value  ***  *** *** *** NIFTY  ‐0.1301 0.9381 ‐0.1098 0.2414 5.9155  0.8223  Note: Numbers denote significance level at *** (1%), ** (5%) and * (10%) level respectively  CONCLUSION:  It was found that the volatility of the stock ITC Ltd had both the leverage effect and volatility clustering.  The derivative trading is introduced to influence price discovery, faster information movement, and to  minimize  the  risks  through  opportunities  like  hedging.  But  derivative  can  also  used  to  manipulate  the  market  and  thus  could  also  result  in  increase  in  volatility.  From  the  analysis,  it  was  observed  that  the  post introduction of derivatives the stock ITC Ltd had higher asymmetric effect. It was also observed that  the  volatility  has  reduced  significantly  after  the  introduction  of  derivatives.  Hence  it  is  concluded  that  the  derivatives  market  had  been  instrumental  in  pulling  the  stock  price  down  as  a  response  to  the  negative shock and also has reduced the volatility of the returns of the stock.