The University of New South Wales 

Australian School of Business | School of Economics 
 

______________________________________________________ 

The Impact of Macroeconomic News on 
Australian Equity Markets 
______________________________________________________ 

Deepika Patwardhan  3189183  

Supervisor: Glenn Otto 

Honours Thesis 

Bachelor of Economics  Economics and Finance  

October 26, 2009 

 
DECLARATION 
 

I,  Deepika  Patwardhan,  hereby  declare  that  this  submission  is  my  own  work  and  any 

contributions or materials by other authors used in this thesis have been appropriately 

acknowledged. This thesis has not been previously submitted to any other university or 

institution as part of the requirements for another degree or award. 

DEEPIKA PATWARDHAN 

26th OCTOBER 2009 

   

    
Page 2 
   
ACKNOWLEDGEMENTS 
 

I  would  like  to  thank  my  supervisor  Glenn  Otto  for  his  wise  counsel,  unwavering  and 

more than generous support, as well as for his insightful and critical engagement with 

the  research  and  writing  of  this  thesis.  Glenn  has  been  a  wonderful  mentor,  and  has 

dealt most graciously with all the dramas of my candidature! An enormous amount of 

gratitude is also owed to Valentyn Panchenko for all his help with the econometrics and 

for his ideas and suggestions for presenting my thesis results. 

One friend is owed a special debt and acknowledgement. Sujatha has, more than anyone 

else, endured the quotidian trials of my honours year and on a daily basis reminded me 

of  the  humour,  humility  and  perspective  that  was  necessary  to  successfully  complete 

this  thesis.  For  her  friendship,  loyalty,  most  of  the  innumerable  provocations,  and 

unfaltering belief in my ability, I am very grateful. I would also like to thank Piyush and 

Devshree  for  helping  me  edit  my  thesis  and  for  being  constant  and  ever  enthusiastic 

companions throughout the year. 

Fellow honours students and staff at the School  of Economics  made this journey most 

enjoyable!  I  would  especially  like  to  thank  Rahul,  Dave,  Shasheen,  Hien,  Michael, 

Andrew,  Gordon  and  Spiro  for  their  help  and  support.  Guys,  your  constant  and 

undivided attention was indeed flattering! 

Finally, I would like to thank my father for all his help, support and advice that made my 

work  a  lot  easier.  I  would  like  to  thank  my  mother  for her  emotional  support  and  my 

sister for distracting me when I needed it the most! 

    
Page 3 
   
TABLE OF CONTENTS 
 

DECLARATION .................................................................................................................................................... 2 
ACKNOWLEDGEMENTS .................................................................................................................................. 3 
ABSTRACT ............................................................................................................................................................ 7 
1.  INTRODUCTION ........................................................................................................................................ 9 
1.1  Stock Prices and News ................................................................................................................... 9 
1.2  Macroeconomy and Stock Prices ............................................................................................ 10 
1.3  Econometric Modelling ............................................................................................................... 12 
2.  LITERATURE REVIEW .......................................................................................................................... 13 
2.1  Theoretical models ....................................................................................................................... 13 
2.2  Early Research ................................................................................................................................ 14 
2.3  Econometric Challenges ............................................................................................................. 16 
2.4  Development of Non‐Linear Models ..................................................................................... 17 
2.5  Asymmetric ARCH and GARCH models ................................................................................ 20 
3.  DATA ............................................................................................................................................................ 23 
3.1  Index data ......................................................................................................................................... 23 
3.2  Announcement dummy variables .......................................................................................... 24 
3.3  Macroeconomic variables: ......................................................................................................... 25 
3.4  Expectations dummy variables ............................................................................................... 28 
4.  PRELIMINARY DATA ANALYSIS ...................................................................................................... 30 
4.1  Introduction .............................................................................................................................................. 30 
4.2  Stylized facts ............................................................................................................................................. 30 
4.3  Model diagnostics ................................................................................................................................... 31 
5.  METHODOLOGY ...................................................................................................................................... 40 
6.  EMPIRICAL RESULTS ............................................................................................................................ 48 
6.1  Impact of news announcements ............................................................................................. 48 
6.2  Impact of news content on the stock market .................................................................... 53 
7.  CONCLUSION ............................................................................................................................................ 62 
8.  BIBLIOGRAPHY ....................................................................................................................................... 66 
9.  APPENDIX .................................................................................................................................................. 72 
APPENDIX A .............................................................................................................................................. 72 
APPENDIX B .............................................................................................................................................. 72 

    
Page 4 
   
 APPENDIX C .............................................................................................................................................. 74 
APPENDIX D .............................................................................................................................................. 77 
 

   

    
Page 5 
   
 

LIST OF TABLES AND FIGURES 

Table 1 : Summary characteristics of macroeconomic indicator announcements ........... 25 

Table 2: Definition of expectations dummy variable .......................................................... 28 

Table 3 Summary statistics of ASX200 ................................................................................. 31 

Table 4 Ljung‐Box Q‐statistics for equation 1 ...................................................................... 35 

Table 5 Breusch Godfrey Test for Serial Correlation .......................................................... 36 

Table 6 BDS Independence Test for equation 1 ................................................................... 37 

Table 7 ARCH LM TEST for equation 1 ................................................................................. 38 

Table 8 Correlation between ASX200 and SP500 ................................................................ 38 

Table 9 Sign bias test results for GARCH 1,1  ..................................................................... 45 

Table 10 Mean equation estimates for equation 10 ............................................................ 50 

Table 11 Variance equation estimates for equation 10 ...................................................... 51 

Table 12 Mean equation estimates of equation 11 .............................................................. 55 

Table 13 Estimates of the variance equation of equation 11 ............................................. 58 

Figure 1 Returns on ASX200 ....................................................................................................................... 23 

Figure 2 Return on SP500 ............................................................................................................................ 24 

Figure 3  Distribution of the Returns on ASX200 .............................................................................. 32 

Figure 4 Daily Squared Returns on ASX200 ........................................................................................ 33 

    
Page 6 
   
ABSTRACT 
 

The  research  conducted  in  this  thesis  entails  analysing  the  impact  of  certain 

macroeconomic  variables  on  the  Australian  stock  market  for  the  period  1999‐2008. 

Using  data  from  the  Australian  Bureau  of  Statistics’  Release  Calendar,  news 

announcement  dates  were  recorded  for  four  key  economic  indicators  in  Australia, 

namely,  CPI,  Unemployment,  GDP  and  Retail  Trade.  In  addition,  positive  news  and 

negative news variables were constructed to examine the impact of news content on the 

equity  markets.  The  presence  of  asymmetry  was  also  investigated.  These  models 

primarily comprised of GJR‐GARCH  1, 3  specifications. 

Key  results  indicate  that  the  Australian  equity  markets  respond  significantly  to 

information spillovers from the US stock markets. The impact of US stock markets was 

found  to  be  statistically  significant  at  1%  in  both  the  mean  as  well  as  the  variance 

equations.  However,  it  seems  that  Australian  equity  markets  do  not  respond  to  pure 

news  announcements  of  CPI,  GDP,  Retail  Trade  or  Unemployment.  None  of  the 

announcements  have  a  statistically  significant  impact  on  the  mean  return  or  the 

conditional variance of the stock market. This suggests that market participants do not 

respond to the act of releasing news. 

Conversely, some evidence was found for the reaction of Australian market participants 

to the content of news released. Results suggest that good news about the CPI causes a 

significant  and  negative  reaction  in  the  conditional  variance  of  the  Australian  stock 

market.  Good  news  about  the  CPI  would  suggest  that  inflationary  pressures  in  the 

    
Page 7 
   
economy were less than those expected by market participants. This shows that market 

participants  consider  inflation  as  a  leading  indicator  signalling  the  health  of  the 

economy.  This  seems  to  be  intuitive  since  future  interest  rate  decisions  are  closely 

linked  to  inflationary  pressures  within  the  economy  because  of  the  Reserve  Bank  of 

Australia’s inflation targeting regime. 

Results also reflect that bad news on retail trade figures cause a significant and positive 

reaction in the mean returns of the Australian stock market. This positive reaction was 

unexpected,  but  is  effectively  explained  by  the  data‐period.  It  is  possible  that  such  a 

reaction  only  occurred  during  this  data‐period  because  the  Australian  economy 

sustained high levels of economic growth.  There is also a strong presence of asymmetry 

in  the  data,  with  the  asymmetry  term  being  positive  and  significant,  suggesting  that 

negative  shocks  to  the  equity  market  cause  greater  volatility  as  opposed  to  positive 

shocks. 

The  significance  of  the  content  of  CPI  and  Retail  Trade  news  suggests  that  market 

participants  monitor  the  level  of  inflation  and  economic  activity  within  the  economy, 

and  adjust  their  positions  in  the  market  accordingly.  It  suggests  that  macroeconomic 

variables  have  an  impact  on  aggregate  stock  market  returns  as  well  as  on  the 

conditional variance of the market. 

   

    
Page 8 
   
1. INTRODUCTION 
 

The  impact  of  news  releases  on  financial  markets  is  a  common  subject  of  enquiry.  In 

particular, researchers have attempted to analyse the impact of certain specific news on 

stock  markets,  bond  markets  as  well  as  foreign  exchange  and  options  markets.  This 

research aims to analyse the impact of the news releases of macroeconomic variables on 

the Australian stock market. 

1.1 Stock Prices and News 
 

Market  performances  are  rarely  entirely  data‐driven.  Trade  in  today’s  markets  is 

influenced  by  numerous  extraneous  factors.  These  multitudes  of  extraneous  factors 

include news events. It is believed that news events dominate the markets on any given 

day.  Furthermore,  as  technology  reaches  new  heights  the  ease  of  access  to  details  of 

worldwide and local news is easier. However, the question remains, exactly what type 

of news affects the financial markets of a particular economy? 

Stock prices are believed to reflect all available information at a particular point of time 

Fama E. F., 1970 . Theoretical models derive the price of a stock at time  ‘t’ as: 

Ω  
1

The formula suggests that stock prices reflect the present value of discounted value of 

expected future earnings  dividends , given all information available at time‘t’  Ω  

The discount rate can be divided into two components namely, the risk‐free rate and the 

risk premium. “3 primitive factors” that have an important impact on  stock prices are 

suggested  Campbell  &  Mei,  1993 .  These  factors  are  the  risk‐free  rate  of  interest, 

    
Page 9 
   
growth  expectations  this  is  derived  from  the  expected  rate  of  growth  of  corporate 

earnings and dividends , and the equity risk premium.  Any news that has an impact on 

the  stock  market  must  be  because  of  the  information  conveyed  on  one  of  these  3 

primitive  factors.  News  brings  with  it  additional  information  that  can  be  exploited  by 

market  participants  to  further  understand  the  movement  of  prices,  allowing  them  to 

hedge  their  portfolios  and  thus  take  positions  in  the  market.  This  attempt  at 

exploitation  by  market  participants  in  order  to  increase  their  personal  profits  by 

reacting to certain news events makes this a very interesting topic to examine.  

1.2 Macroeconomy and Stock Prices 
 

 Macroeconomic news released about some of the key indicators of the economy affects 

all firms and market‐participants. As market‐wide measures, scheduled macroeconomic 

news  announcements may  cause significant changes in the price generating processes 

of  different  assets,  which  can  then  be  priced  as  risk  factors  see  e.g.  Flannery  & 

Protopapadakis,  2002 .  News  of  many  different  types  can  affect  the  market,  for 

example, the September 11 attacks triggered a stock market collapse, as did the Global 

Financial Crisis in mid‐2008.  

Macroeconomic  news  often  signals  market  participants  about  the  level  of  economic 

activity  and  inflationary  pressures.  Inflation  is  considered  as  an  important  economic 

indicator.  An  increase  in  inflation  levels  would  lead  to  a  decline  in  the  value  of  the 

investors’ assets. The level of economic activity signals the prospects of future growth 

and the overall level of production within an economy. It is therefore expected that any 

news that can be interpreted for containing additional information on either the level of 

economic activity or inflation will be priced by market participants. 

    
Page 10 
   
Intuitive expectations suggest that an increase in the level of economic activity during 

an expansionary phase would lead to an increase in market volatility. Increasing activity 

during  an  expansion  could  lead  market  participants  to  revise  future  inflationary 

expectations  as  well  as  future  expectations  of  monetary  policy  in  the  economy. 

Similarly, dampening consumer demand in the same scenario would lead to an increase 

in the mean returns of the market, as this would possibly be considered to temporarily 

relieve  future  inflationary  pressures  in  the  economy.  Variables  such  as  GDP,  Retail 

Trade,  and  Consumer  Price  Index  CPI   have  been  found  to  be  important  in  previous 

research undertaken. 

Since macroeconomic announcements affect price generating processes, it is likely that 

they  also  affect  the  entire  return  distributions.  Over  the  recent  years,  the  impact  of 

macroeconomic  news  announcements  on  financial  markets  has  received  considerable 

attention  in  the  literature.  The  overall  opinion  is  that  asset  prices  and  volatilities  in 

exchange  markets  see  e.g.  Andersen  &  Bollerslev,  1998 ;  bond  markets  see  e.g.  

Balduzzi,  Elton,  &  Green,  2001   and  stock  markets  see  e.g.  Becker,  Finnerty,  & 

Friedman,  1995 ;  Jones,  Lamont,  &  Lumsdaine,  1998 ;  Veronesi,  1999   are affected 

by  macroeconomic  news  announcements.  The  general  conclusion  is  that  asset  prices 

and  volatilities  react  almost  instantaneously  to  macroeconomic  news  announcements 

with  employment  and  inflationary  news  announcements  having  the  greatest  impact. 

Furthermore,  the  studies  show  that  GARCH  Generalized  Autoregressive  Conditional 

Heteroskedasticity   or  other  time‐series  volatilities  remain  high  for  the  following  few 

hours and gradually decline after the news announcement  see e.g.  Ederington & Lee, 

1996 . 

    
Page 11 
   
1.3 Econometric Modelling 
 

The  modelling  strategy  has  developed  significantly  in  the  past  two  decades.  Early 

researchers  used  simple  Ordinary  Least  Squares  OLS   methodology  to  examine  the 

impact  of  news  on  a  aggregate  stock  returns.  As  econometric  knowledge  grew,  and 

problems associated with time‐series data and tests to check data for these issues were 

developed,  new  models  were  devised  to  examine  this  impact.  Autoregressive 

Conditional  Heteroskedasticity  ARCH   models  Engle  R.  F.,  1982   and  Generalized 

Autoregressive  Conditional  Heteroskedasticity  GARCH   models  Bollerslev,  1987  

were shown to be incredibly effective in modelling financial time series since they were 

powerful  enough  to  model  the  stylized  facts  of  the  data    and    Furthermore,  the 

development of extensions to ARCH and GARCH models allowed researchers to account 

for a large variety of stylized factors such as I have used the most current and up to date 

methods and models to account for certain observed features of the data. ARCH/GARCH 

models have been used widely in finance and as such are well understood and easy to 

estimate. In addition to distinguishing the news announcement from the news content, 

this research also considers the differential impact of good and bad news. 

Extensive research has been carried out on the impact of news on all markets in the US 

and up to a certain extent for markets in Europe also. However, minimal research has 

been  carried  out  on  the  impact  of  news  announcements  on  the  Australian  stock 

markets. This thesis attempts to bridge this gap in research by conducting an empirical 

analysis of the impact of news announcements on the volatility of the Australian stock 

market  ASX200  for the period 1999‐2008. 

    
Page 12 
   
2. LITERATURE REVIEW 
 

The  impact  of  news  releases  and  news  content  has  been  a  popular  subject  of  enquiry 

amongst researchers in both economics and finance. This impact has been subjected to 

extensive research, and has led to the formulation of contesting theories and a variety of 

different  results.  Studies  have  been  incredibly  dynamic  in  nature,  with  researchers 

using  a  variety  of  different  datasets,  employing  several  different  econometric 

techniques and varying these over the type of markets, the time period and in different 

economies. 

2.1 Theoretical models 
 

Nofsinger  &  Prucyk,  2003   provide  a  discussion  of  the  different  theoretical  models 

used to examine the effect of anticipated news announcements, such as macroeconomic 

news announcements. These models are based on different assumptions and therefore 

predict different reactions. For example,  Kim & Verrecchia, 1994  provide a model in 

which  it  is  assumed  that  traders  cannot  acquire  private  information  before  the 

announcement. This further causes volatility to increase after the announcement until a 

consensus  is  reached  on  the  outcome.  In  another  model,  Kim  &  Verrecchia,  1991  

assume that traders are able to collect private information and use this information to 

trade  according  to  their  opinions  before  the  announcement.  After  the  announcement, 

price changes are caused proportionally by the unexpected part of the news. This causes 

volatility  to  increase  after  the  announcement  until  a  consensus  is  reached  on  the 

outcome. In  another model,  Kim &  Verrecchia, 1991  assume that traders  are able to 

collect  private  information  and  use  this  information  to  trader  according  to  their 

opinions before the announcement. After the announcement, prices changes are caused 

    
Page 13 
   
proportionally  by  the  unexpected  part  of  the  news.  In  one  additional  model,  they 

assume  that  the  traders  collect  private  information  and  that  the  information  on  the 

news  is  highly  anticipated.  They  suggest  that  the  variance  declines  as  the  quality  of 

announcement increases. 

Closely  related  to  Kim  and  Verrecchia’s  research,  Ederington  &  Lee,  1996   derived 

their  hypothesis  based  on  a  model  in  which  it  was  assumed  that  investors  gathered 

private  information,  but  there  was  still  some  uncertainty  before  the  announcement. 

Their  empirical  results  on  the  options  markets  show  that  the  implied  volatilities 

increase before and decrease after the announcement as the uncertainty is resolved by 

the market participants. This finding is consistent with the increase of realized volatility 

after the news announcement, as  Ederington & Lee, 1996  show. 

2.2 Early Research 
 

The  earliest  research  in  the  arena  of  the  impact  of  news  on  financial  markets  has 

concentrated on analysing the impact of macroeconomic variables on the mean returns 

of bond markets, stock markets as well as foreign exchange markets.  

For  example,  Pearce  &  Roley,  1985   used  a  model  such  that  a  change  in  stock  prices 

was  hypothesized  to  be  dependent  on  unexpected  news  announcements  and  on 

anticipated  news  announcements  based  on  information  known  as  of  close  on  the 

previous trading day. They hypothesized the model: 

∆ . . .  

Where ∆  is  the  change  in  stock  prices  from  the  closing  of  trading  on  day  t‐1  to  the 

close  of  trading  day  t  in  percent;    1  X  k  vectors  of  unanticipated  components  of 

    
Page 14 
   
economic  data  announcements,  computed  as  the  difference  between  announced 

values, , and expected values,  ;  ,  1 X k vector of expected announced values of 

economic data based on information known as of close of trading day on day t‐1;      

1 X k vector of surprises. 

Pearce  &  Roley,  1985   used  the  model  above  to  assess  the  impact  of  news 

announcements.  Additionally,  they  also  tested  the  Efficient  Markets  Hypothesis  by 

assessing  the  impact  of  anticipated  news  versus  news  surprises  on  stock  prices.  The 

Efficient  Market  Hypothesis  as  envisioned  by  Fama  E.  F.,  1970   suggested  that  if 

markets  were  efficient,  any  information  that  could  be  used  by  market  participants  to 

predict  stock  prices  would  be  immediately  incorporated  into  the  stock  prices.  If 

investors  could  predict  stock  prices,  then  they  would  reap  endless  benefits  by 

purchasing  stocks  that  were  predicted  to  increase  in  price  and  by  selling  those  that 

were  predicted  to  fall.    Pearce  and  Roley  suggested  that  if  the  markets  were  efficient 

then  the  anticipated  component  of  information  presented  by  economic  data  would  be 

incorporated  into  the  price  and  only  news  surprises  would  have  an  impact  on  the 

aggregate returns. Their empirical results suggested that the anticipated components of 

economic  announcements  did  not  significantly  affect  daily  stock  prices,  thereby 

providing evidence for the efficient markets hypothesis. 

Chen, Roll, & Ross, 1986  used a four factor model to explore a set of economic state 

variables as systematic influences on stock market returns and examined their influence 

on asset prices using a similar model. They found that industrial production, changes in 

the risk premium, and twists in the yield curve to be significant variables in explaining 

returns.  They  also  discuss  that  the  changes  in  expected  inflation  and  unanticipated 

    
Page 15 
   
inflation  were  found  to  be  marginally  significant  during  periods  when  these  variables 

were highly volatile.  

Other  studies  found  that  aggregate  stock  returns  were  negatively  related  to  inflation 

and money growth    Bodie, 1976 ,  Fama E. F., 1981 ,  Geske & Roll, 1983 . Evidence 

from  these  studies  suggests  early  researchers  found  increases  in  inflation  to  lead  to  a 

decrease  in  the  average  return  on  the  market  considered.  Subsequently,  other 

researchers    Chan,  Chen,  &  Hsieh,  1985 ,  Chen,  Roll,  &  Ross,  1986 ;  and  Ferson  & 

Harvey, 1993  attempted to identify other macroeconomic variables that were possibly 

related to aggregate stock returns.  Cutler, Poterba, & Summers, 1989  also found that 

industrial  production  growth  was  significantly  positively  correlated  with  real  stock 

returns  over  the  period  1926‐1986.  This  is  a  major  result,  and  may  also  indicate  the 

interplay  of  expectations  and  news  variables.  However,  Cutler,  Poterba,  &  Summers, 

1989 were not able to find any evidence for inflation, money supply and the long term 

interest rate argument. 

2.3 Econometric Challenges 
 

A  common  theme  amongst  the  earliest  econometric  approaches  was  the  use  of  linear, 

structural models to develop an analysis of the impact of macroeconomic variables on 

stock returns. However, as the understanding of the nature of time‐series data grew, the 

problems  associated  with  such  linear  and  structural  models  became  more  obvious. 

Perhaps  because  they  focused  on  a  linear,  time‐invariant  relationship  between  the 

aggregate returns and macroeconomic variables, early studies found it difficult to show 

this impact empirically.   Shanken & Weinstein, 1990  showed that  Chen, Roll, & Ross, 

1986   results  were  dependent  on  the  econometric  methodology  they  used  to  test 

    
Page 16 
   
portfolios  and  the  statistical  importance  of  the  macroeconomic  variables  would 

decrease when their standard error estimates are corrected for errors‐in‐variables.  

Mcqueen & Roley, 1993  claimed that the reason why macroeconomic factors seemed 

to  have  an  insignificant  effect  was  due  to  the  constant  coefficient  models  used  in 

general. They argue that the use of models which assume investor response to news is 

the same over different stages of the business cycle is limiting. They estimated a model 

that allowed investor expectations to vary according to the stage of the business cycle. 

In  their  model,  they  allowed  their  macroeconomic  variables  to  depend  on  overall 

economic conditions which they defined according to the monthly growth of industrial 

production. 

2.4 Development of Non‐Linear Models 
 

Parallel  to  the  development  of  this  literature,  a  large  amount  of  research  was  being 

carried  out  into  defining  and  modelling  empirical  properties  observed  in  time  series 

data.  Tests  for  non  linearity  as  well  as  models  to  incorporate  non  linearity  were 

developed subsequently. One of the major assumptions of ordinary least squares  OLS  

methodology  was  the  assumption  of  constant  variance  over  time,  known  as 

homoskedasticity.  The  violation  of  this  assumption  made  the  standard  t‐tests  and  F‐

tests  applied  during  inference  procedures  to  be  invalid.  Time  series  analysis  however 

was subject to changing variances in variables over time.  

Engle  R.  F.,  1982   formulated  the  Auto  Regressive  Conditional  Heteroskedasticity 

ARCH  model such that the error term in an equation could be given a structure. This 

model prescribed that the conditional variance of the error term to be dependent on the 

immediately preceding  value of the squared error. Since the introduction of  the ARCH 

    
Page 17 
   
model,  several  papers  thus  began  using  such  autoregressive  processes  to  model  daily 

information  events  see  for  example,  Pagan  &  Schwert,  1990   and  Andersen  T.  G., 

1996   

Episodes of volatility are generally characterized as the clustering of large shocks to the 

dependent  variable.  The  conditional  variance  function  is  formulated  to  mimic  this 

phenomenon.  In  the  ARCH  regression  model,  the  variance  of  the  current  error   , 

conditional  on  the  realized  values  of  lagged  errors       1, 2,3 …  is  an 

increasing  function  of  the  magnitude  of  the  lagged  errors,  irrespective  of  their  signs. 

Hence, large errors of either sign tend to be followed by a large error of either sign. And 

similarly, small errors of either sign tend to be followed by a small error of either sign. 

The  order  of  lag  q  determines  the  length  of  time  for  which  a  shock  persists  in 

conditioning the variance of subsequent errors. 

In the first empirical observations of ARCH to the relationship between the level and the 

volatility  of  inflation,  Engle  R.  F.,  1982 found  that  a  large  q  was  required  in  the 

conditional  variance  function.  This  would  necessitate  estimating  a  large  number  of 

parameters  subject  to  inequality  restrictions.  In  order  to  overcome  this  weakness, 

Bollerslev, 1987 proposed an extension of the conditional variance function, known as 

the Generalized Autoregressive Conditional Heteroskedasticity  GARCH . In their most 

general  form,  univariate  GARCH  models  make  the  conditional  variance  at  time   a 

function of exogenous and lagged endogenous variables, past residuals and conditional 

variances,  time,  parameters.  GARCH  has  proven  to  be  extremely  useful  in  empirical 

work. The GARCH model allows the conditional variance to be dependent upon previous 

own  lags.  The  conditional  variance  is  the  one‐period  ahead  estimate  for  the  variance 

calculated based on any past information thought relevant.  

    
Page 18 
   
Studies  show  that  ARCH,  GARCH  or  other  time‐series  volatilities  are  higher  on 

important  news  announcement  days  see  e.g.  Bollerslev  et  al.,  2000 ;  Ederington  & 

Lee,  1993,  1995 ;  Flannery&  Protopapadakis,  2002 ;  Jones,  Lamont  &  Lumsdaine, 

1998 ,  Kim,  McKenzie  and  Faff,  2004 .  Hamilton  &  Susmel,  1994   also  estimate 

GARCH models of monthly US equity returns. They used macroeconomic conditions as 

the indicator to switch from high‐volatility to low‐volatility regimes. They conclude that 

macroeconomic  conditions  significantly  affect  equity  returns.  Flannery  & 

Protopapadakis, 2002 looked at seventeen macroeconomic variables and found that six 

variables could be priced by markets. Estimating a GARCH model of daily equity returns 

and  allowed  the  realized  returns  and  their  conditional  volatility  to  depend  on  these 

macroeconomic  variables.  In  their  specification  tests,  they  replicate  and  expand  the 

analysis  of  Mcqueen  &  Roley,  1993 defining  alternative  economic  regimes;  and  they 

also added explanatory variables to their original specification. 

Similar  models  have  been  adopted  by  economists  to  study  the  Australian  market. 

Particularly,  Kim  &  In,  2002   investigate  the impact  of  movements  in  the US, UK  and 

Japanese stock markets on the Australian stock market. They also investigate the impact 

of  US  macroeconomic  news  and  Australian  macroeconomic  news  on  the  Australian 

stock  market.  Their  results  are  in  line  with  expectations  with  some  US  and  a  few 

Australian  macroeconomic  news  announcements  having  an  impact  on  the  first  and 

second  moments  of  the  Australian  equity  markets.  They  also  document  a  significant 

impact  of  the  movements  of  the US,  UK  and  Japanese  stock  markets  on  the  Australian 

stock market. 

    
Page 19 
   
2.5 Asymmetric ARCH and GARCH models 
 

Time‐varying  models  such  as  ARCH  and  GARCH  were  extremely  effective  in  modeling 

the time‐varying volatility seen in asset returns. However, neither of these models was 

able to model asymmetry. A key feature of scheduled news arrivals however, is that the 

market  and  the  people  that  participate  in  it   formulate  expectations  about  the 

upcoming  scheduled  information  release.  Traders  take  positions  in  the  markets  based 

on  their  expectations  of  future  events,  thus  the  anticipated  estimate  for  the  upcoming 

scheduled news announcement is significant in determining the reaction of the market. 

Thus,  it  is  possible  to  expect  that  the  act  of  releasing  information  might  not  be 

considered  important  by  market  participants,  rather  the  market  participants  might 

actually  react  to  the  content  of  news.  News  thus  can  be  labeled  as  “good”  or  “bad”, 

depending on these expectations.  

This  asymmetry  was  modeled  by  Barberis,  Shleifer,  &  Vishny,  1998 in  a  behavioral 

model. They assumed that good news is expected to be followed by good news and vice 

versa.  This  indicates  that  high  low   volatility  will  follow  after  bad  good   news.  

Behavioral  models  formulated  by  Shefrin  &  Statman,  1985 and  Hong  &  Stein, 

1999 suggested  that  investors  trade  and  react  differently  after  good  vs.  bad  news 

announcements.  These  two  models  suggest  that  investors  may  trade  after  good  news, 

but  not  after  bad  news  and  that  the  reaction  is  slower  in  the  case  of  a  bad  news 

announcement.   

Many researchers have found evidence for the presence of asymmetry in stock return 

data.  Black,  1976 ,  Christie,  1982 ,  Nelson,  1991 ,  Pagan  &  Schwert,  1990 , 

Sentana,  1995 ,  and  Engle  &  Ng,  1993 all  find  evidence  to  suggest  that  a  negative 

shock to stock returns would cause much more volatility compared to a positive shock 

    
Page 20 
   
of equal magnitude. There are two contesting theories about the cause of this observed 

asymmetry  in  financial  markets.  The  first  major  theory  is  the  leverage  effect.  The 

leverage  effect  explains  the  asymmetry  by  suggesting  that  when  the  price  of  an  asset 

decreases,  the  financial  leverage  of  the  asset  increases  as  does  the  probability  of 

bankruptcy. This causes the asset to become riskier, hence leading to an increase in the 

volatility  of  the  market.  This  leverage  effect  was  hypothesized  by  Black,  1976   and 

Christie, 1982 . Although the leverage effect was mainly applied to firms, this effect has 

also  been  applied  to  stock  market  indices.  The  second  explanation  for  asymmetry  is 

known  as  the  volatility  feedback  effect  see  for  example,  Pindyck,  1984 and  French, 

Schwert,  &  Stambaugh,  1987 .  This  hypothesis  basically  suggests  that  if  volatility  is 

priced,  an anticipated  increase  in  volatility  would  increase the  required  rate  of  return 

thus implying an immediate fall in stock price to allow for higher future returns.  

The earliest generation of GARCH models, such as the seminal ARCH  p  model of  Engle 

R.  F.,  1982   the  GARCH  p,q   of  Bollerslev,  1987 ,  and  their  in‐mean  generalization 

Engle, Lilien, & Robins, 1987 are able to capture the volatility clustering exhibited by 

financial asset returns, however they can only account for the magnitude of the shock, 

but  not  the  sign  affecting  conditional  variance.  Hence,  this  first  generation  of  time‐

varying  volatility  models  is  unable  to  capture  the  differences  in  impact  on  volatility 

caused  by  bad  news  as  opposed  to  good  news.  In  order  to  overcome  this  limitation, 

more  flexible  specifications  of  the  conditional  variance  were  introduced.  Some  of  the 

most popular models used in empirical studies to take this asymmetry into account are 

the  Exponential  GARCH  EGARCH   model  by  Nelson,  1991 ,  the  Asymmetric  GARCH 

AGARCH   by  Engle  &  Ng,  1993 ,  the  threshold  GARCH  GJR‐GARCH   by  Glosten, 

Jagannathan, & Runkle, 1993 , the threshold GARCH  TGARCH  by  Zakoin, 1994 , and 

    
Page 21 
   
the quadratic GARCH of  Sentana, 1995 . These models have been widely used to model 

the asymmetry commonly observed in returns. 

Impact  of  information  arrivals  has  been  considered  extensively  in  economics  and 

finance. With theories, models and observations constantly being updated, research in 

this field is as dynamic as ever. The contribution of this thesis is the empirical study of 

the impact of such information arrivals on the Australian equity market. This aim of this 

thesis is to extend the work of the research in this field and to understand the impact of 

macroeconomic news releases as well as market participant expectations to examine if 

the Australian stock market behaves in line with those in the US, Japan and the UK.  

    
Page 22 
   
3.  DATA  
 

 In order to effectively measure the impact of news announcements on the Australian 

equity markets, several macroeconomic and financial market variables were utilized. 

The following section provides a summary of the variables used and created. 

3.1 INDEX DATA 

 Daily  closing  stock  prices  on  the  ASX200  index  and  the  S&P500  Index  were  used  to 

calculate the returns, which were calculated using the formula: 

Returns  LN  /  

The closing prices were downloaded from DataStream. Figures 1 and 2 below plot the 

returns on both indices for the sample period  1999‐2008  

Figure 1 Returns on ASX200 

RETURN ON ASX 200
0.08

0.06

0.04

0.02

0
1/01/1999
1/06/1999
1/11/1999
1/04/2000
1/09/2000
1/02/2001
1/07/2001
1/12/2001
1/05/2002
1/10/2002
1/03/2003
1/08/2003
1/01/2004
1/06/2004
1/11/2004
1/04/2005
1/09/2005
1/02/2006
1/07/2006
1/12/2006
1/05/2007
1/10/2007
1/03/2008
1/08/2008

‐0.02

‐0.04

‐0.06
RETURN ON ASX 200
‐0.08

‐0.1  

    
Page 23 
   
Figure 2 Return on SP500 

RETURN on S&P500
0.15

0.1

0.05

0
1/01/1999
1/06/1999
1/11/1999
1/04/2000
1/09/2000
1/02/2001
1/07/2001
1/12/2001
1/05/2002
1/10/2002
1/03/2003
1/08/2003
1/01/2004
1/06/2004
1/11/2004
1/04/2005
1/09/2005
1/02/2006
1/07/2006
1/12/2006
1/05/2007
1/10/2007
1/03/2008
1/08/2008
‐0.05

‐0.1

‐0.15
 

3.2 ANNOUNCEMENT DUMMY VARIABLES 
 

The Australian Bureau of Statistics publishes dates and makes official announcements of 

all economic indicators for the Australian economy. Four variables were considered in 

this  analysis,  those  being  CPI,  GDP,  Retail  Trade  and  Unemployment.  CPI and GDP  are 

announced  quarterly  by  the  ABS.  Using  the  ABS  Historical  Releases  information,  four 

separate dummy variables were created for these four indicators. These dummies took 

the value of unity if an announcement regarding the macroeconomic variable was made 

at  11:30am  on  a  given  day.  For  example,  if  CPI  figures  were  released  on  a  23rd  June 

2008, then the announcement dummy for CPI equalled unity on 23rd June 2008. Table 1 

below  presents  a  succinct  summary  of  the  variable,  the  frequency  of  announcements 

and the measure. 

    
Page 24 
   
 

Table 1 : Summary characteristics of macroeconomic indicator announcements 

RETAIL  UNEMPLOYMENT 
  GDP  CPI
SALES RATE 

FREQUENCY  QUARTERLY QUARTERLY MONTHLY  MONTHLY

SOURCE  ABS  ABS ABS ABS 

% CHANGE IN CPI  % CHANGE 
UNIT   IN GROSS  UNEMPLOYMENT 
$A BILLION  FROM   RETAIL 
OF MEASUREMENT  SALES FROM  RATE % 
PREVIOUS YEAR PREVIOUS 
MONTH
TIME  

OF  11:30AM  11:30AM 11:30AM 11:30AM

ANNOUNCEMENT 

TOTAL NUMBER  40  41 108 120 

3.3 MACROECONOMIC VARIABLES: 
 
1. CPI‐  The  consumer  price  index  CPI   is  one  of  the  main  indicators  of  the 

purchasing power of money. One of the main goals of Australian monetary policy 

is  the  maintenance  of  this  purchasing  power.  The  CPI  measures  the  cost  of  a 

representative basket of goods and services relative to the same basket of goods 

and services in a fixed year  base year . This basket consists of typical goods and 

services  used  by  a  typical  Australian  household.  CPI  figures  are  announced  by 

    
Page 25 
   
 the ABS at the end of each quarter  three months ending June, March, September 

and December . 

2. GDP‐  Most  market  participants  consider  GDP  as  a  primary  indicator  of  the 

prevailing economic conditions and it is keenly monitored. GDP is the gross value 

added of all resident producers for a particular period. GDP is usually measured 

in  three  different  ways.  It  can  be  derived  as the  sum  of  factor  incomes  and  net 

taxes  on  production  and  imports;  as  the  sum  of  all  final  expenditures  by 

residents, changes in inventories and exports less imports of goods and services. 

The ABS rebases every year, and introduced chain volume measures in 1998 to 

remove  the  discrepancy  between  the  three  approaches.  Since  this  change  in 

calculating  methodology  of  GDP  was  introduced  in  1998  it  does  not  affect  our 

data. 

3. Unemployment‐ The unemployment rate is a sensitive indicator of conditions in 

the  labour  market.  Unemployment  is  considered  a  significant  macroeconomic 

issue.  Each  month  the  ABS  conducts  the  Labour  Force  Survey  surveying  about 

3000  randomly  selected  households.  Every  person  in  the  household,  over  15 

years of age is placed into one of 3 categories: 

‐ Employed:  A person is employed if he or she worked full‐time or part‐time 

during the past week or is on vacation or sick leave from a regular job. 

‐ Unemployed:  A  person  is  considered  unemployed  if  he  or  she  did  not  work 

during the preceding week but made some effort to find work. 

    
Page 26 
   
  

‐ Out of Labour Force: A person is considered to be out of the labour force if he 

or she did not work in the past week and was not actively seeking work. 

Unemployment  rate  announcements  are  made  every  month  at  11:30am.  There 

have  been  no  changes  to  the  structure  of  the  Labour  Force  Survey  or  to  the 

definitions used in the Labour Force Survey between 1999 and 2008. 

4. Retail Trade‐ Retail trade is a measure of the total sales of goods and services by 

retail stores in Australia. Retail sales are a very important measure of consumer 

spending and inflationary pressures in the Australian economy. The ABS releases 

a  “Retail  Trade  Series”  presenting  estimates  of  the  value  of  turnover  of  “retail 

trade”  businesses  classified  by  industry,  and  by  state  and  territory.  These 

estimates of turnover are compiled from the monthly Retail Business Survey and 

are  in  current  price  terms.  These  figures  are  also  released  by  the  ABS  at 

11:30am. 

As seen in the variable definitions above, all the news releases are made at 11:30am by 

the ABS. Information about  all  four  of the variables were collected through surveys at 

some point making them subject to measurement error. It is important to note that ABS 

utilizes methods to correct these biases however, all data is subject to biases resulting 

from  misreporting  of  data  items,  deficiencies  in  coverage,  non‐response  and  coverage 

errors. 

    
Page 27 
   
 

3.4 EXPECTATIONS DUMMY VARIABLES 
 

Market  expectations  data  was  derived  from  the  Economic  Outlook  Reports  released 

monthly by the St. George Bank. These report both the actual value of the indicator as 

well  as  the  consensus  expectation  of  the  variables.  I  have  used  these  consensus 

expectations,  and  by  comparing  them  with  the  actual  value  released  I  have  either 

labelled  news  as  ‘positive’  or  ‘negative’.  Subsequently,  dummy  variables  for  each 

macroeconomic  indicator  GDP,  CPI,  Retail  Trade  and  Unemployment   were  created. 

Table  2  below  lists  the  individual  variable  definition  and  the  parameters  according  to 

which they were defined as positive and negative. 

Table 2: Definition of expectations dummy variable 

VARIABLE  POSITIVE NEWS IF NEGATIVE NEWS IF 

CPI  %  Change  in CPI from  %  change  in  CPI from  previous  quarter   

previous  quarter   expected  expected  %  change  in  CPI  from  previous 

%  change  in  CPI  from  quarter 

previous quarter

GDP  %  Change  in  GDP since  last  %  change  in  GDP  since  last  quarter   

quarter    expected  %  expected  %  change  in  GDP  since  last 

change  in  GDP  since  last  quarter 

quarter 

 UNEMPLOYMENT  Unemployment  rate  last  unemployment  rate  last  month   

month expected  expected unemployment rate 

unemployment rate

    
Page 28 
   
RETAIL TRADE  %  Change  in  retail  sales  %  change  in  retail  sales  from  previous 

from  previous  month    month   expected % change in retail trade 

expected  %  change  in  retail  from previous month 

trade from previous month

As  seen  in  Table  2  above,  the  positive  dummy  variable  equalled  unity  if  the  news 

released was ‘good’ and zero otherwise. The negative dummy variable equalled unity if 

the news released was ‘bad’ and zero otherwise. Actual numbers were not used due to 

difference in the units of measurement for each of the variables. Using actual numbers 

would have involved using some sort of standardization procedure. The process is made 

simpler by just classifying the ‘positive’ and ‘negative’ news. This method also takes into 

account  those  days  on  which  no  news  was  released  for  any  of  the  macroeconomic 

indicators. 

    
Page 29 
   
4. PRELIMINARY DATA ANALYSIS 

4.1 Introduction 

The  major  goal  of  this  research  is  to  assess  the  impact  of  scheduled  macroeconomic 

news releases on Australian equity markets.  

In  order  to  determine  the  type  of  model  that  needs  to  be  used,  it  is  important  to 

examine the data set.  When dealing with financial time series data, certain stylized facts 

are known to exist. Running diagnostic tests and carrying out certain checks will enable 

us  to  determine  the  nature  of  modelling  required  to  assess  the  impact  of  news 

announcements on Australian equities. 

4.2 Stylized Facts 

It is likely that many relationships in finance are intrinsically non‐linear. As Campbell, 

Lo and McKinley  1997  state, the payoffs to options are non‐linear in some of the input 

variables,  and  investors’  willingness  to  trade off  returns  and  risks  are  also  non‐linear. 

These observations provide clear motivations for consideration of non‐linear models in 

a variety of circumstances in order to capture better the relevant features of the data. 

There are several common features of financial data that cannot be explained by linear 

structural  or  univariate  time  series  models.  Time  series  models  are  usually  a‐

theoretical, implying that their construction and use is not based upon any underlying 

theory,  rather  they  are  an  attempt  to  capture  empirically  relevant  features  of  the 

observed  data.  Examining  the  stylized  features  of  the  data  will  allow  us  to  determine 

    
Page 30 
   
what type of model should be used to investigate the impact of news announcements on 

the ASX200. 

4.3 Model Diagnostics 

Table 3 presents the summary statistics of the daily returns data. The mean represents 

the  average  percentage   daily  return  on  the  ASX200.  The  distribution  of  the  returns 

appears to be negatively skewed as evidenced by a negative coefficient of ‐0.645.  

Table 3 Summary statistics of ASX200 

ASX200
Observations  2609

Mean  0.00012058

Standard Error  0.000193747

Standard Deviation  0.009896279

Sample Variance  9.79363E‐05

Kurtosis  8.893888324

Skewness  ‐0.645080962

Range  0.14332508

Jacque‐Bera Test Statistic 8742.358

LEPTOKURTOSIS: An important stylized fact concerning financial data is that there are 

frequent  extreme  observations  in  both  tails  of  the  empirical  distribution  of  many 

financial  series,  which  are  not  consistent  with  the  assumption  of  normality.  The 

distributions exhibit “fatness in tails” which corresponds to points in time where large 

movements  in  returns  have  been  excessive  relative  to  the  normal  distribution.  The 

    
Page 31 
   
sharp  peaks  correspond  to  periods  when  there  is  very  little  movement  in  the  return 

series.  Figure  3  below  represents  the  returns  distribution  of  the  ASX200.  The  returns 

distribution of the ASX200 is fat‐tailed as evidenced by the high coefficient of kurtosis 

8.893 . This feature is also supported by the Jacque Bera test which yields a statistic of 

8742.358 thus rejecting the null hypothesis of normality. 

Figure 3  Distribution of the Returns on ASX200

500 RETURNS ON ASX200
450

400

350

300

250

200 RETURNS

150

100

50

VOLATILITY  CLUSTERING:  This  is  the  tendency  for  volatility  in  stock  markets  to 

appear in bunches. Thus large returns  of either sign  are expected to follow large 

returns,  and  small  returns  of  either  sign   are  expected  to  follow  small  returns.  A 

plausible explanation for this phenomenon, which seems to be an almost universal 

feature of asset return series in finance, is that the information arrivals which drive 

price  changes  themselves  occur  in  bunches  rather  than  being  evenly  spaced  over 

time.  The  important  point  to  note  from  Figure  4 is  that  volatility  occurs  in  bursts. 
 There  appears  to  have  been  a  prolonged  period  in  the  market  in  the  early  2000s, 

evidenced by only small positive and negative returns. On the other hand, post 2005; 

the  ASX200  seems  to  have  many  large  positive  and  large  negative  returns,  and 

thereby far greater volatility. 

Figure 4 Daily Squared Returns on ASX200
Figure 4‐ Daily Squared Returns for January 1999‐December 2008

SQUARED RETURN ON ASX200
0.008 SQUARED RETURN ON ASX200

0.007

0.006

0.005

0.004

0.003

0.002

0.001

0
1/01/1999
1/06/1999
1/11/1999
1/04/2000
1/09/2000
1/02/2001
1/07/2001
1/12/2001
1/05/2002
1/10/2002
1/03/2003
1/08/2003
1/01/2004
1/06/2004
1/11/2004
1/04/2005
1/09/2005
1/02/2006
1/07/2006
1/12/2006
1/05/2007
1/10/2007
1/03/2008
1/08/2008

The figures present above also suggest the presence of heteroskedasticity. The returns 

data  is  negatively  skewed  coefficient  of  ‐0.645   and  also  points  towards  the  likely 

presence of heteroskedasticity. One of the most important assumptions of the Classical 
Linear  Regression  Model  is  the  assumption  of  constant  variance  homoskedasticity . 

Although  heteroskedasticity  does  not  destroy  the  unbiasedness  and  consistency 

properties  of  Ordinary  Least  Squares OLS ,  in  the  presence  of  heteroskedasticity,  OLS 

estimators are no longer minimum variance or efficient i.e. they are no longer BLUE   

Best Linear Unbiased Estimators . If we use OLS estimators in this scenario, the  t  and  F 

tests based on them can be misleading and may result in erroneous conclusions.  

In order to test for heteroskedasticity a Breusch‐Pagan test for heteroskedasticity was 

conducted on a preliminary model. The estimated model was: 

                                                                                          1  

 In  equation  1  above   reprsented  the  returns  on  the  ASX200,  X  represents  the 

matrix  of  the  dummy  variables  created  for  announcement  effects  and   is  the  error. 

The  BP  test  emphatically  rejected  the  null  hypothesis  of  constant  variance,  thereby 

confirming  the  presence  of  heteroskedasticity1.    We  can  therefore  conclude  that  the 

initial  analysis  of  the  returns  data  through  graphs  and  the  heteroskedasticity  tests 

suggest that the variances of the returns series are not constant over time.  

Kendall & Hill, 1953  found that stock market prices could not be predicted. He found 

that  weekly  changes  in  prices  could  not  be  predicted  either  from  past  changes  in  the 

series or from past changes in other series. This suggests that prices follow a ‘random 

walk’.  The  random  walk  suggests  that  changes  in  prices  of  financial  assets  are 

independent.  Autocorrelation  tests  are  a  way  of  detecting  departure  from  a  random 

walk.  Financial  applications  often  need  to  be  tested  for  the  presence  of  serial 

correlation.  

                                                            
1
 REFER TO APPENDIX A 

    
Page 34 
   
 The  Ljung‐Box  Q  statistic,  presented  in  Table  4  was  computed  to  check  for 

autocorrelations within the data.  The results suggest that there exists higher order of 

autocorrelation in the data, with Q‐statistic being significant for a large number of lags 

for equation one. 

Table 4 Ljung‐Box Q‐statistics for equation 1 

LAG  AC  PAC  Q‐STATISTIC

1  ‐0.042**  ‐0.042** 4.6565

2  ‐0.023**  ‐0.024** 5.9884

3  ‐0.046*  ‐0.049* 11.633

4  0.016**  0.011** 12.265

5  0.033*  0.032*  15.184

* Means coefficient is significant at 1%   

** Means coefficient is significant at 5% 

Table 4 above lists the Autocorrelations  AC  and Partial Autocorrelations  PAC  of the 

residuals  of  equation  1.  The  Q‐statistic  represents  the  Ljung‐Box  Q‐statistic  for  the 

Ljung‐Box Q test. This test is implemented to check for the presence of autocorrelations 

between  the  error  terms  of  equation  1.  The  test  rejects  the  null  hypothesis  of  no 

autocorrelations emphatically, with at least five lags of AC and PAC being significant. 

Since  the  Ljung‐Box  Q  test  suggested  that  there  was  a  presence  of  higher  order  serial 

correlation  in  the  data  and  hence  the  Breusch‐Godfrey  test  was  used.  The  Breusch‐ 

Godfrey test for  serial correlation detects  if error  terms in a regression  are correlated 

over  time.  Table  5  below  presents  the  results  of  the  Breusch‐Godfrey  test.  The 

coefficient  is  significant  at  1%,  and  it  can  be  clearly  seen  that  higher‐order  serial 

    
Page 35 
   
correlation exists in the data, with the null hypothesis of no correlation between errors 

being emphatically rejected.  

Table 5 Breusch Godfrey Test for Serial Correlation 

F‐statistic  3.0209    Probability 0.010069

Obs*R‐squared  15.05198    Probability 0.010143

Testing for nonlinearity in financial asset returns has been an important area of 

econometric research in the last couple of decades as a consequence of the rapid 

development in the econometric methodologies necessary to compute the tests, and as a 

consequence of the increasingly widely held view that the world is probably not linear.  

A common finding is that there is substantial evidence in favour of some nonlinear 

structure  see for example,  Scheinkman & LeBaron, 1989 ,  Hseih, 1991  for 

applications to stock returns .   

There are numerous tests for non‐linear patterns in time series that are available. These 

tests can be broadly split into two types: general test and specific tests. General tests, , 

are  usually  designed  to  detect  many  departures  from  randomness  in  data.  The 

implication  is  that  such  tests  will  detect  a  variety  of  non‐linear  structures  in  data. 

However, these tests do not indicate the type of non‐linearity that is present. The BDS 

test tests the null hypothesis that the data is pure noise. It has been argued that the BDS 

test has the power to detect a wide variety of departures from randomness. It follows a 

standard normal distribution under the null hypothesis. Most applications of the above 

tests conclude that there is non‐linear dependence in financial asset returns series, but 

    
Page 36 
   
that the dependence is best characterized by a GARCH‐type process. For the purposes of 

this  research,  the  BDS  test  for  independence  was  applied  to  equation  1.    The  results 

from  this  test  are  listed  below  in  Table  6.  It  can  be  clearly  seen  that  there  still  exists 

considerable non‐linearity in the data. This confirmation of the non‐linearity hypothesis 

can lead to our modelling strategy.  

Table 6 BDS Independence Test for equation 1 

Dimension  BDS Statistic  Standard Error z‐Statistic

2  0.027406*  0.00179 15.30822

3  0.052946*  0.002843 18.62099

4  0.070989*  0.003384 20.9766

5  0.082427*  0.003526 23.37911

6  0.087449*  0.003399 25.7309

  * Means coefficient is significant at 1% 

This  confirms  that  the  data  is  nonlinear  in  nature  and  hence  an  appropriate  model 

would  be  required  to  effectively  assess  the  impact  of  scheduled  macroeconomic  news 

announcements on the Australian equity market. Prior to proceeding further, an ARCH 

effects  test  was  also  conducted  on  the  preliminary  OLS  regression  equation  1 .  The 

results of this test are shown in Table 7 below. The ARCH‐LM test was devised by  Engle 

R. F., 1982 . The ARCH‐LM test has the null hypothesis of homoskedasticity, i.e. constant 

variance of the error term and an alternative hypothesis of heteroskedasticity. The test 

procedure is to run the regression: 

                                                                   2  

    
Page 37 
   
 The test statistic is   and is asymptotically distributed as a chi‐squared distribution. 

If any of the coefficients in that series are significant then there may be potential ARCH 

effects in the regression. The model showed strong signs of potential ARCH effects and 

thereby made the case for using a nonlinear model stronger.  

Table 7 ARCH LM TEST for equation 1 

Variable  Coefficient  Std. Error t‐Statistic 

δ   3.07E‐05*  6.16E‐06 4.978323 

u   0.079748*  0.019572 4.074575 

u   0.181182*  0.019376 9.351014 

u   0.193687*  0.019329 10.02064 

u   0.16167*  0.019376 8.343826 

u   0.070524*  0.019571 3.603414 

*means coefficient is significant at 1% 

It is well known that US stock markets influence stock markets in most economies of the 

world. In order to confirm this observation, correlations between the closing prices on 

the  ASX200  in  Australia  and  the  US  SP500  were  checked.  As  can  be  seen  in  Table  7 

below, the correlation between the closing prices of both the indices is very high. This 

suggests  that  the  US  stock  market  is  very  likely  to  have  a  significant  impact  on  the 

Australian stock market. 

Table 8 Correlation between ASX200 and SP500 

                             ASX200 SP500
ASX200  1 0.534111
SP500  0.534111 1
 

    
Page 38 
   
In  this  chapter,  several  important  features  of  the  data‐set  have  been  seen.  It  has  been 

shown that the data exhibits leptokurtosis, volatility clustering, heteroskedasticity and 

also the presence of ARCH effects. 

The  next  chapter  will  consider  the  most  effective  methodology  required  to  model  the 

data. 

   

    
Page 39 
   
5. METHODOLOGY 
 

In  this  section  I  will  consider  the  econometric  methodology  adopted  to  analyse  the 

impact  of  news  announcements  and  news  content  on  the  mean  returns  and  the 

volatility of the Australian stock market. 

Over  many  decades  and  in  countless  papers,  certain  observations  about  the  nature  of 

financial time series data have been made. Known as ‘stylized facts’ these observations 

motivate  the  adoption  of  certain  types  of  econometric  models.  A  variety  of  diagnostic 

tests  were  conducted  in  chapter  4  of  this  thesis  to  explore  the  returns  data  on  the 

Australian equity market and to confirm the presence of such observations. As seen in 

chapter  3,  the  data  for  the  ASX200  for  the  period  between  1999  and  2008  exhibits 

volatility clustering, skewness and peakedness in the distribution of returns as well as 

leptokurtosis. In addition, tests such as the Breusch‐Godfrey test for serial correlation, 

Breusch‐Pagan  test  for  heteroskedasticity  and  the  ARCH‐LM  test  confirmed  the 

presence of serial correlation, heteroskedasticity as well as ARCH effects in the data. In 

this section, I will attempt to formulate a modelling strategy such that the model utilized 

to derive results will incorporate and adjust for as many features of the data as possible. 

In chapter 4, the Q‐statistic with a statistically significant lag‐1 autocorrelation suggests 

that  the  lagged  return  on  ASX200  might  be  useful  in  predicting  the  return  at  time‘t’. 

Therefore, I have used a simple mean equation for models postulated, the equation took 

the form: 

                                                                                                         3                              

Where    is the return on the ASX200,   is the constant,   

is the last periods return on the ASX200 and   is the error term 

    
Page 40 
   
Additionally, in chapter 3, it was also identified that the closing prices on the ASX and 

the  previous  day’s  closing  price  on  the  SP500  were  highly  correlated  the  correlation 

coefficient  took  the  value  of  0.534 .  This  coupled  with  extensive  literature  on 

information  spillovers  between  economies  suggested  that  the  return  on  the  US  SP500 

could be a significant variable in the modelling process. Hence, the mean equation for all 

models was altered to take the form:  Madelbrot, 1963  

                                                                                    4  

An important parallel development in literature was the introduction of nonlinear time 

series models. Such non linear models can take into account the changing variances that 

seem  to  be  a  stylized  fact  for  this  particular  dataset.  Uncertainty  is  central  to  modern 

finance theory. According to most asset pricing theories the risk premium is determined 

by the covariance between the future return on the asset and one of more benchmark 

portfolios.  It  has  long  been  recognized  that  the  uncertainty  of  speculative  prices,  as 

measured by the variances and covariance, are changing through time  see for example, 

Madelbrot, 1963   Fama E. , 1965 . Subsequently, applied research started explicitly 

modelling time variation in second or higher‐order moments. Foremost amongst these 

was  the  Auto  Regressive  Conditional  Heteroskedasticity  ARCH   model  developed  by 

Engle  R.  F.,  1982 .  The  advantage  of  the  ARCH  model  is  that  it  allows  us  to 

parameterize  volatility  clustering.  The  model  allows  the  conditional  variance  of  the 

error  term,  to  depend  on  the  immediately  previous  value  of  the  squared  error, 

therefore accounting for volatility clustering. The mean equation of an ARCH  q  model 

can take any structure. I only impose the ARCH  q  structure on the variance equation.  

    
Page 41 
   
For  example,  a  basic  ARCH  1   model  to  assess  the  impact  of  macroeconomic  news 

would be: 

                                                                                              5  

                                                                                                                               

In the equation above,   represents the returns in Australia at time‘t’, X represents 

the vector of covariates that includes all explanatory variables and   n represents the 

error  term.  The  variance  equation  has  a  standard  ARCH  structure  such  that  the 

conditional  variance  of  the  error  term,   to  depend  on  the  immediately  previous 

value of the squared error  . 

The data was fitted with a basic ARCH structure with up to 5 lags2. All these 5 lags were 

very highly significant at the 1% level. However, choosing an appropriate lag length in 

an ARCH model is challenging. It is possible that the value of q, the number of lags on 

the squared error that are required to capture all of the dependence in the conditional 

variance, might be very large. The ARCH model is therefore not parsimonious. Another 

issue  is  that  the  ARCH  model  imposes  non‐negativity  constraints  on  the  model.  Other 

things being equal, the more the parameters in the variance equation the more likely it 

is that these non‐negativity constraints are violated. 

Bollerslev, 1987  extended Engle’s original work by developing a technique that allows 

the  conditional  variance  to  be  an  ARMA  process.  The  generalized  ARCH  p,  q   model‐ 

called GARCH  p, q  allows for both autoregressive and moving average components in 

the  heteroskedastic  variance.  Clearly,  the  GARCH  model  is  more  parsimonious  and 

entails  fewer  coefficient  constraints.  The  GARCH  p,  q   model  allows  the  conditional 

                                                            
2
 REFER TO APPENDIX B 

    
Page 42 
   
variance  to  be  dependent  upon  its  previous  own  lags.  A  basic  GARCH  1,  1   model  to 

assess the impact of macroeconomic news would be: 

   

                                                                      6  

In the equation above,   represents the returns in Australia at time‘t’, X represents 

the  vector  of  covariates  that  includes  all  explanatory  variables  and   represents  the 

error  term.  The  variance  equation  has  a  standard  GARCH  structure  such  that  the 

conditional variance     is dependent on its own lag  . 

Several basic models were run to estimate the best model for the data. For every model, 

a  test  of  model  adequacy  was  performed.  The  main  test  used  in  this  context  was  the 

ARCH‐LM test to check for the appropriateness of the ARCH or GARCH model run3. The 

ARCH‐LM test checks data for any remaining ARCH effects that might require modelling. 

It  provides  a  means  of  checking  the  number  of  lags  of  ARCH  and  GARCH  used  in  the 

postulated model.  

It is plausible that an increase in stock market volatility raises required stock returns, 

and  thus  lowers  stock  prices.  An  asymmetric  model  would  be  able  to  capture  the 

differing  impacts  of  good  and  bad  news  in  the  Australian  stock  market.  GARCH  1,1  

models appear to fit financial data really well, however GARCH models do not allow for 

asymmetries such as the leverage effect, and it has been this shortcoming which has led 

to  nonlinear  GARCH  specifications  which  allow  positive  and  negative  news  to  have 

different effects on volatility.  

                                                            
3
 REFER TO APPENDIX C 

    
Page 43 
   
The  models  for  the  impact  of  news  announcements  have  known  to  display  an 

asymmetric  impact.  Hence  the  above  models  were  tested  for  the  presence  of 

asymmetry.  Engle  &  Ng,  1993   proposed  a  set  of  tests  for  asymmetry  in  volatility 

known  as  sign  and  size  bias  tests.  These  Engle  and  Ng  tests  were  used  to  determine 

whether  an  asymmetric  model  was  required  to  assess  the  impact  of  macroeconomic 

news  announcements  on  the  ASX200,  or  whether  the  symmetric  GARCH  model  was 

adequate. The Engle‐Ng tests are usually applied to the residuals of a GARCH fit to the 

returns data.  

Defining   as  an  indicator  dummy  that  takes  the  value  of  1  is    0 and  zero 

otherwise. The test for sign bias is based on the significance or otherwise of   in 

                                                           7  

Where   is an iid error term. If positive and negative shocks to     impact differently 

upon the conditional variance, then   will be statistically significant. It could also be 

the  case  that  the  magnitude  or  size  of  the  shock  will  affect  whether  the  response  of 

volatility to shocks is symmetric or not. In this case, a negative size bias test would be 

conducted,  based  on  a  regression  where   is  now  used  as  a  slope  dummy  variable. 

Negative  size  bias  is  argued  to  be  present  if    is  statistically  significant  in  the 

regression: 

                                                       8  

Significance  of    indicates  the  presence  of  sign  bias,  where  positive  and  negative 

shocks  have  differing  impacts  upon  future  volatility,  compared  with  the  symmetric 

response required by the standard GARCH formulation.  

    
Page 44 
   
The  GARCH  1,  1   models  for  evaluating  the  impact  of  announcements  as  well  as  for 

evaluating the differential created by bad and good news was tested for sign bias. If sign 

bias  existed,  then  GARCH  1,  1   models  would  not  be  valid  as  they  will  not  be  able  to 

capture  the  asymmetric  impact  that  exists.  Table  9,  below  presents  the  coefficient 

estimates of the sign‐bias test conducted on both the models. 

Table 9 Sign bias test results for GARCH 1,1  

   Announcement impact News Content Impact

   GARCH  1,1 GARCH  1,1  

Sign‐bias test    8.56E‐05* 8.56E‐05* 

   ‐6.39E‐06 ‐6.34E‐06  

   

Negative sign‐bias test   ‐0.015034*  ‐0.014934* 

  
‐0.000698 ‐0.000693  

* means coefficient is significant at 1% 

As seen in Table 9 above, for the model hypothesized in this research, there was found 

to  be  a  significant  negative  asymmetric  impact.  It  seems  from  the  preliminary  results 

that a linear GARCH specification will not suffice. Hence, the model was further altered 

to include terms that would allow for asymmetry.  

There are several competing models which have been devised by researchers over the 

past few years. One of the most commonly used asymmetric GARCH model is the GJR‐

GARCH model devised by  Glosten, Jagannathan, & Runkle, 1993 .  

    
Page 45 
   
They specify the variance equation as: 

                                            9  

                                    1     0 

                                                         0   

If the future variance of the series is not a function solely of the squared innovation of 

the  current  return,  then  a  simple  GARCH  p,  q   model  would  be  misspecified  and  the 

empirical  results  derived  from  such  an  estimation  procedure  will  not  be  entirely 

reliable. Looking at the coefficients of the BDS test presented in Table 6 earlier in this 

section, we can clearly see that some non‐linearity still exists in the data even though a 

GARCH model has been specifically used to correct for this non linearity. This combined 

with the sign bias test suggests that the series of Australian stock returns is not solely a 

function of the squared innovation of the current return. 

Several competing models exist for modelling asymmetries. However, EGARCH devised 

by  Nelson,  1991 and  GJR‐GARCH  devised  by  Glosten,  Jagannathan,  &  Runkle,  1993  

are  the  only  models  that  EViews  runs.  Both  models  were  estimated  for  this  dataset, 

however  the  GJR‐GARCH  was  chosen  over  the  EGARCH,  since  it  achieved  convergence 

through  the  BHHH  optimization  algorithm.  EGARCH  did  not  converge.  The  reason  for 

this  non‐convergence  can  be  traced  to  the  presence  of  news  dummy  variables  in  the 

variance  equation,  which  causes  issues  for  optimization  algorithms  Doornik  &  Ooms, 

2003 . This suggested that the estimates obtained through GJR‐GARCH would be much 

more reliable. 

It  can  thus  be  concluded  that  the  GJR‐GARCH  specification  is  optimal  to  assess  the 

impact of macroeconomic news announcements and the impact of expectations on the 

    
Page 46 
   
Australian Stock Market. Subsequent sections will discuss the nature of results obtained 

and the implications of these results. 

    
Page 47 
   
6. EMPIRICAL RESULTS 
 

Following  from  the  methodology  presented  in  chapter  4,  I  will  now  use  the  variables 

discussed in chapter 3 to estimate the impact of macroeconomic news announcements 

on the conditional mean and volatility of the returns on the Australian stock market. All 

estimation presented has been done using EViews5. 

In chapter 3, we identified several stylized features of the data which strongly suggested 

that  the  data  was  non‐linear  in  structure.  Hence,  all  regressions  presented  in  this 

section have been estimated using the BHHH optimization algorithm  Berndt, Hal, Hall, 

& Hausman, 1974 . 

Chapter  4  showed  the  basic  econometric  techniques  that  were  used  to  estimate  the 

results.  The  GJR‐GARCH  model  was  employed  in  analysing  the  dataset  owing  to  the 

more parsimonious nature of the model as well as its ability to explain the asymmetry in 

the  response  of  stock  returns  to  news.  In  reaching  this  conclusion,  several  different 

models  were  postulated  and  estimated4.  All  postulated  models  were  tested  for  any 

remaining ARCH effects post‐estimation. This was done to ensure that the actual model 

used was adequate, and robust. 

6.1 IMPACT OF NEWS ANNOUNCEMENTS 

The  following  results  correspond  to  the  announcement  impact  of  news  on  the 

Australian equity market. It is hypothesized that news arrivals cause market volatility to 

increase.  Macroeconomic  news  is  released  by  the  ABS  at  11:30am.  The  ABS  has  an 

embargo  on  such  announcements,  and  as  such  our  model  assumes  that  market 
                                                            
4
 REFER TO APPENDIX D 

    
Page 48 
   
participants have no private information about the content of this news, they are only 

aware  that  figures  for  a  particular  macroeconomic  indicator,  will  be  released  at 

11:30am on a certain date.  

Using  data  extracted  from  the  ABS  historical  release  calendar  and  the  announcement 

dummy  variables  hence  created,  the  following  model  was  estimated  to  assess  the 

impact of news announcements on the Australian stock market: 

    ∑                             10                              

                             

Where     represents  the  returns  on  the  Australian  stock  market,   , represents 

the one period lagged return on the US stock market,   are the dummy variables, such 

that  j 1 GDP,  j 2 CPI,  j 3 Retail  Sales  and  j 4   Unemployment.  These  dummy 

variables take the value of one on those days in which a scheduled news announcement 

occurs for each of the four economic variables described in Section 3 and 0 otherwise 

and   is the error term which is assumed~ 0, .    is the indicator dummy variable 

which takes the value of one if  0 and zero otherwise. The coefficient   accounts 

for the asymmetric impact caused by news. 

The model above was run to estimate the maximum likelihood estimates of the impact 

of news announcements on the four economic variables. The results were obtained by 

jointly  estimating  the  mean  and  variance  equations  shown  above.  These  results  are 

presented in Table 10 below: 

    
Page 49 
   
Table 10 Mean equation estimates for equation 10 

Variable  Coefficient Standard Error z‐Statistic 

RAUS   0.072033 0.01771 4.067 

RUS   0.342452 0.012004 28.529 

CPI  0.000529 0.000915 0.578 

Unemployment  0.000339 0.000541 0.627 

Retail Trade  0.000249 0.000607 0.409 

GDP  0.000313 0.00134 0.233 

   

means coefficient is significant at 1%  

The  coefficients  on  the  lagged  US  and  Australian  stock  market  variable  are  highly 

significant, proving the importance of their inclusion in this model. The significance of 

these  lags  suggests  that  past  returns  on  the  Australian  and  US  stock  markets  are 

influential in determining current returns on the Australian stock market. This provides 

evidence  that  foreign  stock  markets  have  an  impact  on  the  returns  of  the  Australian 

stock market.  

The  result  obtained  is  similar  to  those  that  have  investigated  information  spillovers 

between  markets.  Particularly,  Kim  &  In,  2002   found  that  major  stock  markets  UK, 

US  and  Japan   have  a  significant  impact  on  the  returns  of  the  Australian  stock  and 

futures  market.  This  result  is  not  entirely  unexpected  since  these  countries  represent 

some  of  Australia’s  major  trading  partners  and  the  high  degree  of  financial  market 

integration has increased the significance of these markets. 

The announcement impact is estimated by the coefficients of CPI, GDP, Unemployment 

and  Retail  Trade.  None  of  these  variables  are  statistically  significant  for  the  mean 

    
Page 50 
   
equation.  This  suggests  that  there  is  no  impact  of  a  news  announcement  on  the  CPI, 

GDP,  Unemployment  rate  or  Retail  Trade  being  made  on  the  mean  returns  of  the 

ASX200.  Studies  undertaken  by  Kim,  McKenzie,  &  Faff,  2004   and  Kim  &  In, 

2002 found similar results, with the announcement effect of macroeconomic variables 

being insignificant. 

Examining  the  variance  equation  will  allow  us  to  assess  the  impact  of  news 

announcements on volatility of the market.  Table 11 below presents the results of the 

variance equation of the model. 

Table 11 Variance equation estimates for equation 10 

Variable  Coefficient Standard Error z‐Statistic 

C  1.38E‐06* 4.34E‐07 3.181 

β   0.028065** 0.017294 1.622 

θ   0.125343* 0.036769 3.409 

γ   0.423878* 0.175275 2.418 

γ   0.460049* 0.16058 2.865 

CPI  ‐9.18E‐07 4.95E‐06 ‐0.185 

Unemployment  ‐2.85E‐06 4.52E‐06 ‐0.630 

Retail Trade  ‐1.02E‐06 4.41E‐06 ‐0.231 

GDP  1.02E‐05 9.26E‐06 1.105 

RUS   ‐0.000304* 9.77E‐05 ‐3.106 

      means coefficient is significant at 1% 

    means coefficient is significant at 5% 
 

    
Page 51 
   
All  of  the  ARCH  and  GARCH  terms  are  significant,  as  shown  in  Table  11.    Model 

estimates can also provide insight into the degree of persistence of the volatility shocks 

in  the  market.  For  shocks  to  be  highly  persistent,  the  sum  of  the  coefficients  on  the 

ARCH  and  GARCH  terms  should  be  close  to  unity.  For  this  equation,  the 

coefficients  , ,  is  approximately  0.92,  suggesting  that  volatility  shocks  are 

persistent in this particular case. This result is consistent with that obtained by  Kim & 

In, 2002  

Table 11, also provides evidence that the returns on US stock markets cause volatility in 

the  Australian  markets.  The  coefficient  on  the  variable  is   is  highly  statistically 

significant at 1% and has a negative sign. This proves that a decrease in the mean return 

on  the  US  stock  market  leads  to  an  increase  in  the  volatility  of  the  Australian  stock 

market. This impact could be seen as Australia’s reaction to a loss of confidence in the 

US  stock  markets.  This  suggests  an  increase  in  the  risk  in  the  global  economy,  and 

thereby  is  reflected  through  increased  volatility  episodes  in  the  domestic  market.  For 

example, in the period between 1999 and 2008,  two major stock market crashes took 

place in the US  2001 and 2008  triggering large falls  in the asset prices in Australia.  

The returns on the US stock market also seem to be significantly increasing volatility in 

the  Australian  equity  markets.  The  coefficient  on  the  US  stock  returns  is  negative, 

suggesting  that  a  fall  in  the  mean  return  on  the  US  SP500  leads  to  an  increase  in  the 

volatility  of  the  Australian  ASX200.  This  result  may  be  explained  by  the  increase  in 

uncertainty caused due to the fall of the US SP500. A fall in the US SP500 may result in 

significant  falls  in  other  share  markets  worldwide  due  to  the  increased  global 

integration  amongst  countries.  This  ‘domino  effect’  causes  the  risk  of  investing  in 

    
Page 52 
   
smaller markets to increase exponentially, and market participants will move to hedge 

their positions in the market, thereby increasing the volatility of the market. 

None of the other variables are statistically significant, and hence represent no notable 

change  in  the  conditional  variance  of  the  returns  on  the  ASX  200.  The  terms  on  the 

GARCH  and  ARCH  are  also  highly  statistically  significant,  hence  representing  evidence 

for model acceptance. 

Additionally,  a  sign‐bias  test  conducted  on  the  GARCH  1,  1   model  for  the  data  in 

chapter 3 suggested a strong presence of negative sign bias. This suggested that there 

exists considerable asymmetric impact in the data. The asymmetry term is positive and 

highly statistically significant. This implies that  a negative  announcement has  a bigger 

impact  on  the  market  as  opposed  to  a  positive  announcement.  More  importantly,  it 

suggests that the nature of announcement could be very important in understanding the 

impact of news announcements on the mean returns and the volatility of the Australian 

stock market. 

6.2 IMPACT OF NEWS CONTENT ON THE STOCK MARKET 
 

The model presented above looked at the impact of announcements on the ASX 200; it 

did not take into account the nature of news. It is intuitive that the nature of news could 

also have an impact on the mean and variance of the stock returns. The impact of news 

content on the stock market was modelled using the equation below: 

    
Page 53 
   
    ∑ ∑                  11                         

                

Where     represents  the  returns  on  the  Australian  stock  market,   , represents 

the one period lagged return on the US stock market,   are the dummy variables such 

that j 5 positive CPI, k 1 negative CPI, j 6  positive unemployment, k 2 negative 

unemployment, k 7 positive retail trade, j 3 negative retail trade, j 8 positive GDP 

and k 4 negative GDP. These dummy variables take the value of one on those days in 

which  a  positive  scheduled  news  announcement  occurs  for  each  of  the  four  economic 

variables  described  in  Chapter  3  and  0  otherwise,   are  the  dummy  variables  which 

take the value of one on those days in which a negative scheduled news announcement 

occurs for each of the four economic variables described in Chapter 3 and   is the error 

term  which  is  assumed~ 0, .     is  the  indicator  dummy  variable  which  takes  the 

value  of  one  if  0 and  zero  otherwise.  The  coefficient   accounts  for  the 

asymmetric impact caused by news. 

Generally it is expected that the conditional variance of the stock market would increase 

when negative news about certain  macroeconomic variables is released. This increase 

in conditional variance occurs because market participants frame news as good or bad 

depending  on  their  a‐priori  expectations.  For  example,  suppose  market  participants 

expect the upcoming retail trade news to be an increase in x‐percent. An increase in the 

retail  trade  figures  represents  an  increase  in  consumption  expenditure,  and  hence 

suggests  an  improvement  in  economic  activity.  If  the  news  released  was  not  as 

expected, it is likely, market participants will react unfavourably to it, and hence cause 

the  conditional  variance  of  returns  to  increase.  In  order  to  capture  this  impact  of 

    
Page 54 
   
expectations,  the  model  above  was  estimated,  such  that  market  participant’s  reaction 

was also taken into consideration when observing the effect of news on the market. 

Table 12 Mean equation estimates of equation 11 

Variable  Coefficient Standard Error z‐Statistic 

RAUS   ‐0.073415* 0.017715 4.144 

RUS   0.341414* 0.012042 28.351 

Positive CPI  ‐0.000197 0.001236 1.238 

Negative CPI  0.000636 0.00127 0.501 

Positive Unemployment  ‐5.92E‐05 0.000858 ‐0.069 

Negative Unemployment  ‐0.000433 0.000805 ‐0.538 

Positive Retail Trade  0.000934 0.000813 1.149 

Negative Retail Trade  0.000681*** 0.00043 1.584 

Positive GDP  ‐0.001912 0.003354 ‐0.570 

Negative GDP   0.000467 0.001124 0.416 

means coefficient is significant at 1% 

means coefficient is significant at 15% 

Table 12 above presents the maximum likelihood estimates of the mean equation of the 

GJR‐  GARCH  1,  3   regression  of  the  above  model.    The  GJR‐GARCH  1,  3   model  was 

used to capture the asymmetric impacts that were found to be present in the data after 

conducting  a  sign‐bias  test,  as  detailed  in  chapter  4.  Similar  to  Equation  10,  the 

coefficients on the lagged return on the ASX200 and the US SP500 are highly significant. 

The  coefficient  on  the  lagged  return  of  the  US  SP500  is  positive,  suggesting  that  an 

    
Page 55 
   
increase  in  the  mean  return  on  the  US  SP500  index  leads  to  an  increase  in  the  mean 

return on the ASX200. This result is similar to the result obtained for Equation 10. 

The coefficient on the dummy variable for negative retail trade is also significant. This 

result  suggests  that  market  participants  react  to  the  news  content  of  the  retail  sales 

figures rather than just the release of the announcement. The coefficient on variable is 

positive, suggesting that the release of retail sales news leads to an increase of the mean 

return  on  the  ASX  200.  This  could  be  explained  by  the  notion  that  retail  sales  figures 

depict the level of consumer spending in the economy. Negative retail trade news can be 

viewed by market participants as a signal for dampening consumer demand eventually 

leading to a fall in the level of economic activity in the country.  

For an economy such as Australia, where one of the most important goals of the Reserve 

Bank  of  Australia  RBA   is  inflation‐targeting,  the  levels  of  economic  activity  can 

influence  the  RBA  to  take  precautionary  action  against  rising  inflation  by  increasing 

interest  rates.  This  is  seen  by  market  participants  as  very  significant,  as  increasing 

interest rates leads to increased costs of borrowing and thereby leads to a slowdown of 

economic  activity.  Since  retail  trade  signals  consumer  demand  we  can  view  the  news 

content leading to an increase in uncertainty in the economy. It increases the risk of an 

economic  downturn  and  hence  market  participants  react  to  this  news  leading  to  a 

significant  reaction  in  the  mean  returns  on  the  ASX200.  However,  the  sign  on  the 

negative retail trade news is surprising. It was expected that bad news about the level of 

consumer spending in the economy would lead to a short‐term decrease in the market 

return.  Since  the  sign  on  the  variable  is  positive,  it  suggests  that  release  of  bad  news 

regarding retail trade results in a positive jump in the mean returns on the market.   

    
Page 56 
   
If  the  jump  in  economic  activity  is  considered  to  push  Australian  inflation  out  of  the 

inflation target then it is possible that the Reserve Bank of Australia could increase the 

overnight cash rate. In this scenario it is possible that bad news could be in fact seen by 

the  market  as  good  news.  The  news  would  effectively  then  have  the  same  impact  as 

good news. 

None  of  the  other  variables  are  significant  in  the  mean  returns  equation.  It  is  rather 

interesting  to  note  that  the  variable  CPI  has  had  no  impact  so  far.  This  does  not; 

however imply that markets were indifferent to the CPI news.  Kim S.‐J. , 1996 suggests 

that prior to April 1988, higher future inflation expectations was the dominant response 

to  news  about  the  CPI,  however, now  the  anticipation  of  a  tightening  monetary  policy 

response  by  the  RBA  is  more  relevant.  The  data  used  in  this  study  only  ranged  from 

1999‐2008,  and  thus  the  impact  of  the  significance  of  the  CPI  announcement  was 

neutralized by the market participant’s reaction to the news on the overnight cash rate. 

Similarly, news regarding the unemployment rate in the economy also wasn’t deemed 

significant by market participants.  

The same variables have been added to the variance equation to examine the impact of 

news releases on the conditional variance of the ASX 200. Table 13 below presents the 

results for the variance equation. 

    
Page 57 
   
Table 13 Estimates of the variance equation of equation 11 

Variable  Coefficient Std. Error z‐Statistic 

C  1.13E‐06** 4.85E‐07 2.338 

  0.040591** 0.020911 1.941 

  0.15131* 0.043576 3.472 

  0.235603*** 0.142482 1.654 

  0.357966** 0.168585 2.123 

  0.262451*** 0.155507 1.687 

  ‐0.000323 9.69E‐05 0.287 

Positive CPI  3.17E‐05* 2.56E‐05 1.238 

Negative CPI  4.60E‐07 6.31E‐06 0.626 

Positive Unemployment  3.58E‐06 5.61E‐06 2.861 

Negative Unemployment  3.81E‐06 5.66E‐06 0.638 

Positive Retail Trade  ‐1.84E‐06 5.47E‐06 0.673 

Negative Retail Trade  7.89E‐07 2.74E‐06 1.237 

Positive GDP  ‐1.37E‐05 4.77E‐06 0.073 

Negative GDP   3.80E‐06 6.07E‐06 3.337 

      means coefficient is significant at 1% 
    means coefficient is significant at 5% 

   means coefficient is significant at 10%                       
 

All  of  the  ARCH  and  GARCH  terms  are  significant,  as  shown  in  Table  13.    Model 

estimates can also provide insight into the degree of persistence of the volatility shocks 

in  the  market.  For  shocks  to  be  highly  persistent,  the  sum  of  the  coefficients  on  the 

ARCH  and  GARCH  terms  should  be  close  to  unity.  For  this  equation,  the 

coefficients  , , ,  is  approximately  0.90,  suggesting  that  volatility  shocks  are 

    
Page 58 
   
persistent in this particular case. This result is consistent with that obtained by  Kim & 

In, 2002  

Additionally, similar to equation 10, the coefficient on the lagged US return variable is 

highly  statistically  significant,  again  implying  that  a  fall  in  the  return  on  US  stock 

markets  leads  to  increased  volatility  in  the  Australian  stock  market.  This  result  is 

expected, as follows through from the high correlation between these two markets. 

Unlike  equation  10,  we  can  clearly  see  that  the  coefficient  on  positive  CPI  news  is 

negative  and  highly  statistically  significant.  This  implies  that  a  less  than  expected 

increase in prices in the economy leads to a decrease in the volatility of the Australian 

stock  markets.  The  coefficient  is  statistically  significant  at  1%  level.  This  result  is 

intuitive  and  very  important.  A  variety  of  studies  conducted  on  the  US  stock  markets 

have  also  found  a  similar  result  see  for  example,  Kim,  McKenzie,  &  Faff,  2004  

Positive news about the inflation leads to the adjustment of inflationary expectations. As 

discussed  before,  the  RBA  monitors  the  rate  of  inflation  within  the  economy  and 

attempts to keep it between 2‐3% on average. Positive news about the CPI would mean 

that inflation in the economy was lower than expected and hence lead to a downward 

revision of inflationary expectations. This in turn would cause interest rates to remain 

constant.  Market participant’s  price  risk  and  this  good  news  would  lead  to  downward 

revisions of associated risk and lead the volatility within the economy to decrease. An 

increase in inflationary pressures could possibly cause inflation  to rise  in the medium 

term  which  would  cause  the  value  of  investments  and  assets  to  decline.  It  is  also 

possible that the market participant reaction may be due to an expectation of a change 

in interest rates that might be taken by the Reserve Bank of Australia  RBA . If the RBA 

feels  that  the  growth  will  be  overheating  the  economy,  it  will  take  steps  to  dampen 

    
Page 59 
   
consumer  spending  in  the  economy  by  increasing  interest  rates.  This  increase  in 

interest rates will cause the costs of borrowing to increase, thereby affecting businesses. 

Hence,  positive  news  about  the  CPI  is  seen  to  be  so  statistically  significant.  More 

importantly,  in  combination  with  the  marginal  significance  of  the  positive  GDP  news, 

these results suggest that market participants react to that information which conveys 

certain  facts  about  the  inflationary  pressure in  the  economy.  A  high  level  of  economic 

activity would lead to increased inflationary pressures, causing an increase in the risk as 

asset  values  decline.  This  implies  that  market  participants  react  to  news  that  could 

possibly  lead  to  increased  inflationary  pressures.  Similarly,  market  participants  also 

react  significantly  to  the  opposite  type  of  news.  Positive  news  about  the  CPI  reduces 

market  volatility,  suggesting  that  a  reduction  in  inflationary  pressures  increases 

confidence in the economy. 

Additionally,  the  coefficient  estimate  on  the  asymmetry  term  is  positive  and  highly 

significant. This implies that negative shocks imply a higher conditional variance in the 

next period than positive shocks of the same sign. This impact can be explained by two 

contesting theories, leverage effects as well as volatility feedback effects. In their study 

of  the  impact  of  foreign  stock  markets  and  news  on  the  Australian  financial  markets, 

Kim & In, 2002 found a similar result.  

Similar to Equation 10, none of the other variables included in model 2 are statistically 

significant. It is especially surprising that unemployment news causes no increase in the 

conditional  variance  in  the  Australian  stock  market.  A  plausible  explanation  for  this 

could  be  that  since  inflation  and  unemployment  are  closely  related, our  model fails  to 

capture any stock market reaction to unemployment news. Unemployment akin to CPI 

also essentially conveys information about the level of economic activity. It is possible 

    
Page 60 
   
that market participants consider the CPI as a more accurate estimate of the state of the 

economy, and disregard unemployment.  

Similarly, retail trade news was also not found to affect the conditional variance of the 

Australian stock market. This again supports the hypothesis that since investors derive 

information  about  inflationary  expectations  and  levels  of  economic  activity  from  CPI 

and  GDP  news  respectively,  they  disregard  estimates  of  consumer  spending  and 

unemployment. 

Overall, the models presented in this chapter have been able to capture all the stylized 

features of the data presented in chapter 3. The results show that the Australian market 

responds  mostly  to  information  that  affects  the  inflationary  expectations  within  the 

economy.  Additionally,  negative  shocks  in  the  market  have  a  greater  impact  than 

positive shocks, with such shocks being highly persistent in nature. However, this model 

also  provides  evidence  that  the  US  stock  market  presents  an  important  source  of 

volatility in the Australian stock market, and as such US news announcements are also 

likely to impact Australian equity returns. 

    
Page 61 
   
7. CONCLUSION 
 

The research undertaken in this thesis has shown evidence that news announcements 

have  an  impact  on  the  mean  returns  as  well  as  the  volatility  of  the  equity  market  in 

Australia.  In  particular,  the  release  of  CPI  has  a  marked  effect  on  the  conditional 

variance of the ASX200. Our modelling strategy predicts that the release of CPI figures 

lead  to  an  increase  in  the  volatility  of  the  Australian  Stock  exchange.  This  is  a  clear 

indication that market participants are concerned with the level of inflation in Australia.  

Secondly, our results also show that negative news on retail trade i.e. a surprise in retail 

trade  figures,  labelled  as  bad  news  if  the  outcome  was  below  expectations  led  to  an 

increase in the mean returns of the ASX200. This result is not as expected, but perhaps 

provides  an  interesting  avenue  for  the  exploration  of  this  trend.  Negative  retail  trade 

news is a signal for dampening consumer demand, suggesting a possible fall in the level 

of economic activity. This fall in economic activity could be seen as putting downward 

pressure on inflationary expectations. Given the time‐period investigated and the high 

levels  of  sustained  growth  achieved  by  the  Australian  economy,  this  result  could 

possibly be feasible.  

The results also provided no evidence for the importance of the unemployment variable 

on  the  mean  returns  or  the  variance  of  the  ASX200.  Unemployment  rates  in  the 

economy  could  be  viewed  as  indirect  measures  for  the  level  of  economic  activity. 

Demand  for  labour  is  derived  demand,  and  hence  directly  influenced  by  the  level  of 

economic activity. However, structural and frictional unemployment are always existent 

in  every  economy.  An  increase  in  unemployment  may  not  be  a  direct  result  of  falls  in 

production levels; it could possibly be an impact of new micro structural policy reforms. 

    
Page 62 
   
The  results  obtained  thus  when  viewed  in  the  context  of  the  period  of  data  used  are 

entirely justified. 

Tests of asymmetry were also conducted on the news announcement data. There was a 

strong  presence  of  asymmetry  in  the  data.  The  coefficient  of  asymmetry  was  positive, 

and  thus  suggested  that  negative  shocks  lead  to  greater  changes  in  stock  market 

conditional  variance  as  opposed  to  positive  shocks.  In  common  layman  terms,  this 

would  mean  that  bad  news  of  a  certain  variable  would  cause  greater  uncertainty  and 

thereby increase volatility of the market, as opposed to good news. Such an impact was 

attributed  to  leverage  and  volatility  feedback  effects.  Although  these  theories  are 

competing in their explanation of the asymmetry, no one theory is enough to explain the 

complete impact. 

Another  important  result  proved  in  this  thesis  was  the  presence  of  information 

spillovers from the USA to Australia. This was clearly shown through the significant of 

US stock markets on the Australian equity markets; US stock markets affected both the 

conditional  variance  of  the  market,  as  well  as  the  mean  returns  of  the  market  very 

significantly. It can be thus implied  that  US news affects the  Australian  stock markets. 

This assumption can be made on the basis of the rationale` that US stock markets would 

react to news announcements in the US and thus this would present an indirect impact 

of  US  news  on  Australian  stock  markets.  Studies  such  as  the  one  by  Kim  &  In, 

2002 have proven this hypothesis using a model similar to the one used in this paper. 

The research conducted in this thesis was however limited by time and data availability 

constraints.  It  is  important  to  understand  that  the  research  still  has  considerable 

omitted  variable  bias.  One  of  the  primary  causes  of  this  omitted  variable  bias  is  the 

absence of control for firm‐specific news. Collecting firm‐specific news would be a sheer 

    
Page 63 
   
mammoth task, and as such it would be impossible for anyone to account for news from 

all  firms.  Additionally,  the  data  frequency  used  is  daily,  and  thus  does  not  allow  us  to 

examine the  immediate  impact  of  news  on  the  market, it  is  possible  that news  shocks 

get  assimilated  into  prices  by  the  end  of  the  day.  In  this  case  then,  it  would  not  be 

possible  for  us  to  capture  reactions  to  such  news.  The  research  controls  for  US  stock 

markets, however it is possible that news from other trading partners  for example UK 

and Japan  also have a significant impact on the ASX200.  

Another weakness is that the research uses only certain macroeconomic news variables 

that are seen as important to market participants. It is possible that announcements of 

other variables could have a significant impact on the market, and have not been used in 

this  study.  Lastly,  the  expectations  dummy  variables  were  derived  from  the  monthly 

reports by the St. George Bank, these expectations would be less accurate as compared 

to  weekly  or  fortnightly  expectations  forecasted  by  analysts,  as  expectations  could  be 

revised by market participants during the course of the month by observing other news 

items. 

This  thesis  has  made  an  original  contribution  to  the  branch  of  Australian  market 

literature focusing on impacts of news announcements on the ASX200. By considering 

both announcement impacts as well as expectations to derive news content I have been 

able to understand what information is priced by Australian market participants.  It has 

also  enabled  me  to  understand  the  behaviour  of  Australian  market  returns  for  the 

period  of  1999‐2008.  Research  into  this  field  can  be  extended  further  by  analysing 

higher  frequency  data  and  by  using  more  accurate  expectations  data.  The 

methodologies adopted in this thesis are robust, and as such have been widely used by 

researchers  worldwide.  Although  it  is  feasible  for  us  to  assume  that  macroeconomic 

    
Page 64 
   
news announcements released by the ABS affect both, the conditional variance as well 

as the conditional mean of Australian equity markets, stock markets in the US seem to 

be considered more important.  

    
Page 65 
   
8. BIBLIOGRAPHY 

Andersen, T. G.  1996 . Return Volatility and Trading Volume: An Information Flow 

Interpretation of Stochastic Volatility. Journal of Finance , 51  1 , 169‐204. 

Andersen, T. G., Bollerslev, T., Diebold, F. X., & Ebens, H.  2000 . The Distribution of 

Stock Return Volatility. Center for Financial Institutions Working Papers 00‐27 . 

Andersen, T., & Bollerslev, T.  1998 . Answering the Skeptics: Yes, Standard Volatility 

Models Do Provide Accurate Forecasts. International Economic Review , 39, 885‐905. 

Australian Bureau of Statistics.  n.d. . Retrieved from www.abs.gov.au 

Balduzzi, P., Elton, E. J., & Green, C. T.  2001 . Economic News and the Yield Curve: 

Evidence From the U.S. Treasury Market. Journal of Financial and Quantitative Analysis , 

36, 523‐543. 

Barberis, N., Shleifer, A., & Vishny, R.  1998 . A model of investor sentiment. Journal of 

Financial Economics , 49  3 , 307‐343. 

Becker, K. G., Finnerty, J. E., & Friedman, J. E.  1995 . Economic news and equity market 

linkages between the US and UK. Journal of Banking and Finance , 1191‐1210. 

Berndt, E., Hal, B., Hall, R., & Hausman, J.  1974 . Estimation and Inference in Nonlinear 

Structural Models. Annals of Social Measurement , 653‐665. 

Black, F.  1976 . Studies in price volatility changes. Proceedings of the 1976 Meeting of 

the Business and Economics Statistics Section , 177. 

Bodie, Z.  1976 . Common Stocks as a Hedge Against Inflation. The Journal of Finance , 

31  2 , 459‐470. 

    
Page 66 
   
Bollerslev, T.  1987 . A Conditionally Heteroskedastic Time Series Model for Speculative 

Prices and Rates of Return. The Review of Economics and Statistics , 69  3 , 542‐547. 

Campbell, J., & Mei, J.  1993 . Where do Betas Come From? Asset Price Dynamics and the 

Sources of Systematic Risk. NBER Working Papers 4329, National Bureau of Economic 

Research, Inc.  

Chan, K. C., & Chen, N.‐F.  1991 . Structural and Return Characteristics of Small and 

Large Firms. Journal of Finance , 46  4 , 1467‐84. 

Chan, K., Chen, N.‐f., & Hsieh, D. A.  1985 . An exploratory investigation of the firm size 

effect. Journal of Financial Economics , 14  3 , 451‐471. 

Chen, N.‐F., Roll, R., & Ross, S. A.  1986 . Economic Forces and the Stock Market. The 

Journal of Business , 59  3 , 383‐403. 

Christie, A. A.  1982 . The stochastic behavior of common stock variances: Value, 

Leverage and interest rate effects. Journal of Financial Economics , 10  4 , 407‐432. 

Cutler, D. M., Poterba, J. M., & Summers, L. H.  1989 . What Moves Stock Prices? NBER 

Working Papers 2538, National Bureau of Economic Research Inc.  

Doornik, J. A., & Ooms, M.  2003 . Multimodality in the GARCH Regression Model. 

Economics Papers 2003‐W20, Economics Group, Nuffield College, University of Oxford . 

Ederington, L. H., & Lee, J. H.  1993 . How Markets Process Information: News Releases 

and Volatility. Journal of Finance , 48  4 , 1161‐91. 

Ederington, L. H., & Lee, J. H.  1996 . The Creation and Resolution of Market 

Uncertainty: The Impact of Information Releases on Implied Volatility. The Journal of 

Financial and Quantitative Analysis , 31  4 , 513‐539. 

    
Page 67 
   
Engle, R. F.  1982 . Autoregressive Conditional Heteroskedasticity with Estimates of the 

Variance of United Kingdom Inflation. Econometrica , 50  4 , 987‐1007. 

Engle, R. F., Lilien, D. M., & Robins, R. P.  1987 . Estimating Time Varying Risk Premia in 

the Term Structure: The Arch‐M Model. Econometrica , 55  2 , 391‐407. 

Engle, R. F., Lilien, D. M., & Robins, R. P.  1987 . Estimating Time Varying Risk Premia in 

the Term Structure: The ARCH‐M Model. Econometrica , 55  2 , 391‐407. 

Engle, R., & Ng, V. K.  1993 . Measuring and Testing the Impact of News on Volatility. 

Journal of Finance, American Finance Association , 48  5 , 1749‐78. 

Fama, E. F.  1970 . Efficient Capital Markets: A Review of Theory and Empirical Work. 

Journal of Finance , 25  2 , 383‐417. 

Fama, E. F.  1981 . Stock Returns, Real Activity, Inflation and Money. American 

Economic Review , 71, 545‐565. 

Fama, E.  1965 . The Behavior of Stock‐Market Prices. Journal of Business , 34‐105. 

Ferson, W. E., & Harvey, C. R.  1993 . The Risk and Predictability of International Equity 

Returns. Review of Financial Studies , 6  3 , 527‐66. 

Flannery, M. J., & Protopapadakis, A. A.  2002 . Macroeconomic Factors Do Influence 

Aggregate Stock Return. Review of Financial Studies , vol. 15  3 , pages 751‐782. 

French, K. R., Schwert, G. W., & Stambaugh, R. F.  1987 . Expected stock returns and 

volatility. Journal of Financial Economics , 19  1 , 3‐29. 

Geske, R., & Roll, R.  1983 . The Fiscal and Monetary Linkage between Stock Returns 

and Inflation. Journal of Finance , 38  1 , 1‐33. 

    
Page 68 
   
Glosten, L. R., Jagannathan, R., & Runkle, D. E.  1993 . On the Relation between the 

Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of 

Finance , 48  5 , 1779‐1801. 

Hamilton, J. D., & Susmel, R.  1994 . Autoregressive condtional heteroskedasticity and 

changes in regime. Journal of Econometrics , 64  1‐2 , 307‐333. 

Hong, H., & Stein, J. C.  1999 . A Unified Theory of Underreaction, Momentum Trading, 

and Overreaction in Asset Markets. Journal of Finance , 54, 2143‐2184. 

Hseih, D.  1991 . Chaos and Nonlinear Dynamics: Application to Financial Markets. 

Journal of Finance , 18379‐1877. 

Jones, Brad, Lin, Chien‐Ting, & Masih, A. M.  2005 . Macroeconomic announcements, 

volatility, and interrelationships: An examination of the UK interest rate and equity 

markets. International Review of Financial Analysis , 356‐375. 

Jones, C. M., Lamont, O., & Lumsdaine, R. L.  1998 . Macroeconomic news and bond 

market volatility. Journal of Financial Economics , 47  3 , 315‐337. 

Kendall, M., & Hill, B. A.  1953 . The Analysis of Economic Time‐Series‐Part I: Prices. 

Journal of the Royal Statistical Society , 116  1 , 11‐34. 

Kim, O., & Verrecchia, R. E.  1997 . Pre‐Announcement and Event‐Period Private 

Information. Journal of accounting and economics , 24  3 , 395‐420. 

Kim, O., & Verrecchia, R. E.  1991 . Trading Volume and Price Reactions to Public 

Announcements. Journal of Accounting Research , 29  2 , 302‐321. 

Kim, O., & Verrecchia, R.  1994 . Market Liquidity and Volume around earnings 

announcements. Journal of Accounting and Economics , 17  1‐2 , 41‐67. 

    
Page 69 
   
Kim, S., & In, F.  2002 . The influence of foreign stock markets and macroeconomic news 

announcements on Australian financial markets. Pacific‐Basin Finance Journal , 10  5 , 

571‐582. 

Kim, S.‐J.  1996 . Inflation News in Australia: Its Effects on Exchange Rates and Interest 

Rates. Working Papers 210, University of Sydney, Department of Economics . 

Kim, S.‐J., & Sheen, J.  2001 . Minute‐by‐Minute Dynamics of the Australian Bond 

Futures Market in Response to New Economic Information. Journal of Multinational 

Financial Management , 11, 117‐37. 

Kim, S.‐J., McKenzie, M. D., & Faff, R. W.  2004 . Macroeconomic News Announcements 

and the Role of Expectations: Evidence for U.S. Bond, Stock, and Foreign Exchange 

Markets. Journal of Multinational Financial Management , 14, 217‐32. 

Madelbrot, B.  1963 . The variation of certain speculative prices. The Journal of 

Business of the University of Chicago , 394‐419. 

Mcqueen, G., & Roley, V. V.  1993 . Stock Prices, News, and Business Conditions. Review 

of Financial Studies , 6  3 , 683‐707. 

Nelson, D.  1991 . Conditional heteroskedasticity in asset returns. Econometrica , 59, 

347. 

Nofsinger, J. R., & Prucyk, B.  2003 . Option volume and volatility response to scheduled 

economics news releases. Journal of Futures Markets , 23  4 , 315‐345. 

Pagan, A. R., & Schwert, G. W.  1990 . Alternative models for conditional stock volatility. 

Journal of Econometrics , 45  1‐2 , 267‐290. 

    
Page 70 
   
Pearce, D. K., & Roley, V. V.  1985 . Stock Prices and Economic News. Journal of Business 

, 58  1 , 49‐67. 

Pindyck, R. S.  1984 . Risk, Inflation, and the Stock Market. American Economic Review , 

74  3 , 335‐51. 

Scheinkman, J. A., & LeBaron, B.  1989 . Nonlinear Dynamics and Stock Returns. Journal 

of Business , 62  3 , 311‐37. 

Sentana, E.  1995 . Quadratic ARCH Models. Review of Economic Studies , 62  4 , 639‐

61. 

Shanken, J., & Weinstein, M.  1990 . Macroeconomics Variables and Asset Pricing: 

Further Results. Papers 91‐05, Rochester, Business‐ Managerial Economics Research 

Center . 

Shefrin, H., & Statman, M.  1985 . The disposition to sell winners too early and ride 

losers too long: theory and evidence. Journal of Finance , 40, 777‐790. 

Veronesi, P.  1999 . Stock Market Overreation to Bad News in Good TImes: A Rational 

Expectations Equilibrium Model. Review of Financial Studies , 12  5 , 975‐1007. 

Zakoin, J.‐M.  1994 . Threshold heteroskedastic models. Journal of Economic Dynamics 

and Control , 18  5 , 931‐955. 

    
Page 71 
   
9. APPENDIX 

APPENDIX A 
 

 BREUSCH PAGAN Test for HETEROSKEDASTICITY 

Coefficient   ‐0.006257   

 
Probability    0.00
 

APPENDIX B 
 

Alternative Models Estimated to check for the robustness of equation  

ARCH 5  for equation 10 

Mean Equation        
   Coefficient Std. Error
  ‐0.074341 0.01861  
  0.358606 0.012342
CPI  0.001498 0.000986  
GDP  0.002029 0.001543
Unemployment  0.000634 0.000592  
Retail Trade  0.001065 0.000622
 
Variance Equation   
C  1.69E‐05 1.69E‐06
 
ARCH  1   0.206642 0.049501
ARCH  2   0.097285 0.029857
 
ARCH  3   0.179539 0.034293
ARCH  4   0.118247 0.026897  
ARCH  5   0.106198 0.026342
  ‐0.00017 0.000154  
CPI  4.00E‐06 6.83E‐06
GDP  6.23E‐05 5.71E‐05  
Unemployment  3.52E‐06 6.12E‐06
Retail Trade  8.53E‐06 7.52E‐06 ARC 

    
Page 72 
   
ARCH LM Test for ARCH  5  

F‐statistic  1.704014    Probability 0.13023 

Obs*R‐squared  8.511829    Probability 0.130193 
 

GJR‐GARCH  1,1  

Mean Equation   
  Coefficient Std. Error
  ‐0.073859 0.017806
  0.341637 0.011859
DCPI  0.000349 0.000923
DUNEMP  0.000464 0.000533
DGDP  0.000342 0.001298
DRET  0.000335 0.000598
Variance Equation   
C  1.25E‐06 2.69E‐07
ARCH  1   0.017993 0.012027
  0.095641 0.023692
GARCH 1   0.915481 0.011473
CPI  ‐1.73E‐06 3.62E‐06
Unemployment  ‐5.03E‐06 3.29E‐06
GDP  5.68E‐06 5.36E‐06
Retail Trade  ‐1.53E‐06 3.19E‐06
  ‐0.000228 6.67E‐05
 

ARCH LM Test for GJR‐GARCH  1,1  

F‐statistic  1.974941    Probability 0.079251 

Obs*R‐squared  9.860027    Probability 0.0793 

    
Page 73 
   
APPENDIX C 

 
Alternative Models Estimated to check for the robustness of equation 10 

ARCH 5  

Mean Equation 
   Coefficient Std. Error 
  ‐0.075504 0.018562 
  0.358571 0.012271 
Positive CPI   ‐0.000408 0.001599 
Negative CPI  0.001443 0.00132 
Positive GDP  0.001649 0.003025 
Negative GDP  0.000588 0.001285 
Positive Unemployment  0.000286 0.000959 
Negative Unemployment  ‐0.00035 0.000779 
Positive Retail Trade  0.001517 0.000865 
Negative Retail Trade  0.000944 0.000435 
Variance Equation 
C  1.64E‐05 1.66E‐06 
ARCH  1   0.207861 0.048999 
ARCH  2   0.098216 0.030174 
ARCH  3   0.178225 0.034159 
ARCH  4   0.119872 0.026825 
ARCH  5   0.112218 0.026376 
  ‐0.000163 0.000151 
Positive CPI   ‐3.94E‐06 1.22E‐05 
Negative CPI  4.20E‐06 7.78E‐06 
Positive GDP  0.000161 0.000159 
Negative GDP  2.97E‐06 9.70E‐06 
Positive Unemployment  ‐4.98E‐07 7.65E‐06 
Negative Unemployment  ‐1.12E‐06 6.79E‐06 
Positive Retail Trade  5.21E‐06 1.14E‐05 
Negative Retail Trade  5.77E‐06 4.03E‐06 
 

ARCH‐LM Test for ARCH 5  

F‐statistic  2.188     Probability 0.052922

Obs*R‐squared  10.91928     Probability 0.053004
 

    
Page 74 
   
 GJR‐GARCH  1,1  

Mean Equation 
   Coefficient Std. Error 
  ‐0.077049 0.01787
  0.34233 0.011849 
Positive GDP  ‐0.001262 0.003147 
Negative GDP  0.00032 0.001147 
Positive CPI  ‐0.001049 0.001406 
Negative CPI  0.000326 0.00128
Positive Unemployment  6.31E‐05 0.000844 
Negative Unemployment  ‐0.000287 0.000781 
Positive Retail Trade  0.001163 0.000784 
Negative Retail Trade  0.000668 0.000434 
Variance Equation 
C  8.38E‐07 2.77E‐07 
ARCH  1   0.019839 0.012196 
  0.092639 0.024145 
GARCH 1   0.916375 0.011043 
  ‐0.000222 5.87E‐05 
Positive GDP  1.47E‐05 1.15E‐05 
Negative GDP  4.00E‐07 4.40E‐06 
Positive CPI  ‐6.53E‐06 6.23E‐06 
Negative CPI  1.30E‐06 4.26E‐06 
Positive Unemployment  1.25E‐06 3.90E‐06 
Negative Unemployment  8.77E‐07 3.45E‐06 
Positive Retail Trade  ‐2.52E‐06 2.96E‐06 
Negative Retail Trade  4.69E‐07 1.90E‐06 
 

 ARCH‐LM Test for GJR‐GARCH  1, 1  

F‐statistic  2.253239    Probability 0.046673

Obs*R‐squared  11.24345    Probability 0.046761
 

    
Page 75 
   
GJR‐GARCH  1,2  

Mean Equation 
   Coefficient Std. Error 
  ‐0.075787 0.017647 
  0.343941 0.011984 
Positive GDP  ‐0.001838 0.003338 
Negative GDP  0.000438 0.001143 
Positive CPI  ‐0.000751 0.001362 
Negative CPI  0.000578 0.001268 
Positive Unemployment  ‐3.49E‐05 0.000861 
Negative Unemployment  ‐0.000548 0.000782 
Positive Retail Trade  0.000929 0.000812 
Negative Retail Trade  0.000703 0.000432 
Variance Equation 
C  9.33E‐07 4.01E‐07 
ARCH  1   0.032995 0.018 
  0.128961 0.034756 
GARCH 1   0.280981 0.103635 
GARCH 2   0.595723 0.095085 
  ‐0.000305 7.94E‐05 
Positive GDP  2.71E‐05 2.04E‐05 
Negative GDP  1.85E‐07 5.95E‐06 
Positive CPI  ‐7.69E‐06 7.43E‐06 
Negative CPI  2.85E‐06 5.63E‐06 
Positive Unemployment  3.92E‐06 5.43E‐06 
Negative Unemployment  5.23E‐06 5.63E‐06 
Positive Retail Trade  ‐3.44E‐06 4.15E‐06 
Negative Retail Trade  1.23E‐06 2.57E‐06 
 

ARCH LM Test GJR‐GARCH  1,2  

F‐statistic  1.070849     Probability 0.374468

Obs*R‐squared  5.355575     Probability 0.374043
 

    
Page 76 
   
APPENDIX D 
 

The  GJR‐GARCH  models  for  news  as  well  as  news  content,  both  seemed  robust 

adequate. Below are the results from the ARCH‐LM tests for equation 10 and 11: 

ARCH LM Test for Equation 11 

F‐statistic  0.787433    Probability 0.558601 

Obs*R‐squared  3.940288    Probability 0.558045 
 

ARCH LM Test for Equation 10 

F‐statistic  1.165935    Probability 0.323469 

Obs*R‐squared  5.830057    Probability 0.323108 
 

    
Page 77 
   
 

    
Page 78