EconStor >
Universität zu Köln >
Centre for Financial Research (CFR), Universität Köln >
CFR Working Papers, Centre for Financial Research (CFR), Universität Köln >

Please use this identifier to cite or link to this item:

http://hdl.handle.net/10419/57739
  
Title:Bayesian learning in financial markets: Testing for the relevance of information precision in price discovery PDF Logo
Authors:Hautsch, Nikolaus
Hess, Dieter
Issue Date:2004
Series/Report no.:CFR Working Paper 04-10
Abstract:An important claim of Bayesian learning and a standard assumption in price discovery models is that the strength of the price impact of unanticipated information depends on the precision of the news. In this paper, we test for this assumption by analyzing intra-day price responses of CBOT T-bond futures to U.S. employment announcements. By employing additional detail information besides the widely used headline figures, we extract release-specific precision measures which allow to test for the claim of Bayesian updating. We find that the price impact of more precise information is significantly stronger. The results remain stable even after controlling for an asymmetric price response to 'good' and 'bad' news.
Abstract (Translated):Preise auf Kapitalmärkten werden durch nicht-antizipierte Informationen getrieben. Eine zentrale Aussage Baysianischer Lernmodelle impliziert, dass die Stärke der Preisreaktion einerseits von der Höhe der nicht antizipierten Komponente abhängt, andererseits aber auch von der Präzision der Informationen bestimmt wird. Auf Basis von Hochfrequenzdaten untersuchen wir den Einfluss von Veröffentlichungen des US-Arbeitsmarktberichts auf den Preis des CBOT T-Bond Futures. Neben den Kernkennzahlen des US-Arbeitsmarktberichts berücksichtigen wir ergänzende Detailinformationen. Mit Hilfe dieser Zusatzinformationen konstruieren wir ein Maß für die Präzision der Kernkennzahlen, welches uns erlaubt, die Aussage Baysianischer Lernmodelle zu testen. Wir finden, dass die Preise des T-Bond Futures stärker auf präzisere Informationen reagieren. Dieses Ergebnis gilt insbesondere auch dann, wenn wir für asymmetrische Preisreaktionen bezüglich positiver bzw. negativer Informationen kontrollieren.
Subjects:Bayesian learning
information precision
macroeconomic announcements
asymmetric price response
financial markets
high-frequency data
JEL:E44
G14
Document Type:Working Paper
Appears in Collections:CFR Working Papers, Centre for Financial Research (CFR), Universität Köln

Files in This Item:
File Description SizeFormat
699892023.pdf430.75 kBAdobe PDF
No. of Downloads: Counter Stats
Download bibliographical data as: BibTeX
Share on:http://hdl.handle.net/10419/57739

Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.