Effectiveness of Monte Carlo Simulations of the S&P 500 Index before and after the Outbreak of the SARS-COV-2 Pandemic*

• Authors: Piotr Nawrocki

Title variants

PL

Efektywność symulacji Monte Carlo indeksu S&P 500 przed ogłoszeniem i po ogłoszeniu pandemii SARS-COV-2

Abstracts

PL

Analiza ryzyka jest integralną częścią badania zachowania rynków finansowych. Sytuacje kryzysowe stanowią wyzwanie dla analityków próbujących przewidzieć wartość indeksów giełdowych, kwestionując ich założenia. Jednym z takich wydarzeń była pandemia koronawirusa, która niewątpliwie wpłynęła na naszą gospodarkę. Celem niniejszego badania było zbadanie wpływu pandemii COVID-19 na rynek USA oraz ocena zmiany efektywności metody Monte Carlo na skutek pandemii. Badanie zostało zrealizowane za pomocą 12 symulacji MC dziennych cen indeksu S&P 500 przy użyciu danych historycznych między 11.03.2015 a 11.03.2021. Zaobserwowano negatywny wpływ pandemii na efektywność symulacji, obniżający wiarygodność wyników. Wykryto również zmiany czułości w zależności od wybranego okresu. Wyniki mogą skłonić do rozważenia modyfikacji symulacji MC podczas braku stabilności i dostarczyć informacji skłaniających do skorzystania z krótszych szeregów czasowych w celu poprawy efektywności symulacji podczas kryzysów.

EN

Risk analysis is an integral part of studying the behavior of financial markets. Crises and emergencies challenge analysts trying to predict the value of stock indices by questioning their assumptions. One such event was the coronavirus pandemic, which undoubtedly affected our economy. The purpose of this study was to examine the impact of the COVID-19 pandemic on the US market and to assess the change in effectiveness of the Monte Carlo method due to the pandemic. The study was realized with 12 MC simulations of daily S&P 500 index prices using historical data from 11.03.2015 to 11.03.2021. The negative impact of the pandemic on the accuracy of MC simulations was observed, lowering the confidence of the results. Changes in sensitivity depending on the chosen time period were also detected. The results may prompt consideration of modifying MC simulations during instability and provide information indicating the use of shorter time series to improve simulation efficiency during crises.

Keywords

EN

Monte Carlo (MC) method; Black-Scholes (B-S) model; index simulation; COVID-19 pandemic

PL

metoda Monte Carlo; model Blacka-Scholesa; symulacja indeksu; pandemia COVID-19

• Publisher: Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
• Journal: Nauki o Finansach
• Year: 2023
• Volume: 28
• Issue: 1
• Pages: 1-16

Dates

published

2023

Contributors

author

Piotr Nawrocki

• University of Wrocław

References

• Białas, M. (2012). Wykorzystanie symulacji Monte-Carlo do wyceny przedsiębiorstwa metodą APV. Zarządzanie i Finanse, 4(1), 23-35.
• Black, F., and Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, (81), 637-654.
• Czernik, T. (2013). Wpływ niepewności oszacowania zmienności na cenę instrumentów pochodnych. Studia Ekonomiczne, (124), 131-142.
• Duczkowski, N. (2021). Zastosowanie rozkładu α-stabilnego do modelowania zmian cen ubezpieczeń. Wiadomości Ubezpieczeniowe, (2), 109-127.
• Estember, R. D., and Maraña, M. J. (2016). Forecasting of stock prices using Brownian motion - Monte Carlo simulation (International Conference on Industrial Engineering and Operations Management).
• Forbes. (2020). Microsoft warning is a harbinger of coronavirus impact on business and the economy. https://www.forbes. com/sites/waynerash/2020/02/27/microsoft-warning-is-a-harbinger-of-coronavirus-impact-on-business-and-theeconomy/?sh=169ee4fb7449
• Homa, M., and Mościbrodzka, M. (2017). Szacowanie wartości zagrożonej dla branż spółek giełdowych. Finanse i Rachunkowość, 3(49).
• Jakubowski, J. (2011). Modele matematyczne rynków instrumentów pochodnych I. Uniwersytet Warszawski. Retrieved from https://mst.mimuw.edu.pl/wyklady/ip1/wyklad.pdf
• Janasz, K. (2009). Ryzyko i niepewność w gospodarce - wybrane aspekty teoretyczne. Studia i Prace Wydziay Nauk Ekonomicznych i Zarządzania, (14), 87-98.
• Jaworski, P., and Jaworska-Chodnicka, P. (2020). Wrażliwość rynku akcji na publikacje danych rynkowych w czasie pandemii COVID-19. Warszawa: Wydawnictwo Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego.
• Krawczyk, E. (2006). Zastosowanie modelu ryzyka Value at Risk (VaR) opartego na metodzie Monte Carlo do rynku nieruchomości. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego. Ekonomika i Organizacja Gospodarki Żywnościowej, (58).
• Martinkutė-Kaulienė, R., Stankevičienė, J., and Žinytė, S. (2013). Option pricing using Monte Carlo simulation. Journal of Security and Sustainability Issues, 2(4), 65-79.
• Mikita, M. (2021). Wpływ pandemii COVID-19 na rynek dłużnych papierów wartościowych - analiza na przykładzie wybranych krajów. Ekonomia Międzynarodowa, (33), 5-44.
• Mitrenga, D. (2014). Metodyczne podstawy symulacji stochastycznej Monte Carlo. Studia Ekonomiczne, (204), 164-180.
• Nelson, L. S. (1998). The Anderson-Darling test for normality. Journal of Quality Technology, 30(3), 298.
• Niemiro, W. (2013). Symulacje stochastyczne i metody Monte-Carlo. Matematyka stosowana. Warszawa: Uniwersytet Warszawski.
• Ostrowska, A. (2021). Wpływ pandemii COVID-19 na rentowność sektora bankowego w Polsce. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie/Cracow Review of Economics and Management, 3(993), 121-135.
• Pawlak, M. (2012). Symulacja Monte-Carlo w analizie ryzyka projektów inwestycyjnych. Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia, 51(690).
• Piontek, K. (2000). Efekt dni tygodnia i jego wpływ na wycenę opcji. Finanse, Banki i Ubezpieczenia w Polsce u Progu XXI Wieku.
• Pyo, D. J. (2021). The COVID-19 and stock return volatility: Evidence from South Korea. East Asian Economic Review, 25(2), 205-230.
• Reuters. (2020). How the coronavirus is crushing credit ratings. Retreieved from https://www.reuters.com/article/ us-health-coronavirus-ratings-graphic/how-the-coronavirus-is-crushing-credit-ratings-idUSKCN24U18Y
• Rudny, W. (2016). Emocje w procesach decyzyjnych na rynkach finansowych. Studia Ekonomiczne, (267), 163-174.
• Standard & Poor's. (2022). S&P 500 energy. S&P Dow Jones Indices. Retrieved from https://www.spglobal.com/spdji/en/ indices/equity/sp-500-energy-sector/#overview
• Taleb, N. N. (2014). „Czarny Łabędź”. O skutkach nieprzewidywalnych zdarzeń. Warszawa: Kurhaus.
• USA Today. (2016). Cheap gas, oil craters: 2015 rocked the energy sector. Retrieved from https://eu.usatoday.com/story/money/columnist/2016/01/03/loveless-10-big-energy-developments-2015/78031490/
• Warsaw Institute. (2021). U.S.-China trade war: Origins, timeline and consequences. Retrieved from https://warsawinstitute. org/u-s-china-trade-war-origins-timeline-consequences/
• World Health Organization. (2020, March 11). WHO Director-General's opening remarks at the media briefing on COVID-19. Retrieved from https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-themedia-briefing-on-covid-19---11-march-2020
• World Health Organization. (2022). 14.9 million excess deaths associated with the COVID-19 pandemic in 2020 and 2021. Retrieved from https://www.who.int/news/item/05-05-2022-14.9-million-excess-deaths-were-associated-with-thecovid-19-pandemic-in-2020-and-2021
• Yan, S. i Wu, G. (2020). Fitting of impact of COVID-19 pandemic on S&P 500 index using random walk. (2020 2nd International Conference on Economic Management and Model Engineering (ICEMME) (1007-1011). IEEE).
• Ziętek-Kwaśniewska, K. (2006). Symulacje Monte-Carlo jako metoda wyceny opcji. Scientific Bulletin of Chełm, Section of Mathematics and Computer Science, (2).

Identifiers

DOI

10.15611/fins.2023.1.01

Biblioteka Nauki

16472961