Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/57739 
Kompletter Metadatensatz
DublinCore-FeldWertSprache
dc.contributor.authorHautsch, Nikolausen
dc.contributor.authorHess, Dieteren
dc.date.accessioned2012-04-25-
dc.date.accessioned2012-05-02T15:45:16Z-
dc.date.available2012-05-02T15:45:16Z-
dc.date.issued2004-
dc.identifier.urihttp://hdl.handle.net/10419/57739-
dc.description.abstractAn 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.en
dc.language.isoengen
dc.publisher|aUniversity of Cologne, Centre for Financial Research (CFR) |cCologneen
dc.relation.ispartofseries|aCFR Working Paper |x04-10en
dc.subject.jelE44en
dc.subject.jelG14en
dc.subject.ddc330en
dc.subject.keywordBayesian learningen
dc.subject.keywordinformation precisionen
dc.subject.keywordmacroeconomic announcementsen
dc.subject.keywordasymmetric price responseen
dc.subject.keywordfinancial marketsen
dc.subject.keywordhigh-frequency dataen
dc.titleBayesian learning in financial markets: Testing for the relevance of information precision in price discovery-
dc.typeWorking Paperen
dc.identifier.ppn699892023en
dc.description.abstracttransPreise 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.en
dc.rightshttp://www.econstor.eu/dspace/Nutzungsbedingungenen
dc.identifier.repecRePEc:zbw:cfrwps:0410en

Datei(en):
Datei
Größe
430.75 kB





Publikationen in EconStor sind urheberrechtlich geschützt.