Warianty tytułu
The Use of Volatility Models to Calculate Value at Risk
Języki publikacji
Abstrakty
W niniejszym artykule jako potencjalne modele umożliwiające wyznaczenie wartości VaR przyjęte zostały modele zawierające się w klasie AR(1)-GARCH(1, 1). Procesy te umożliwiają modelowanie szeregów z autokorelacją oraz zmienną wariancją stóp zwrotu. Dokonano weryfikacji przydatności poszczególnych modeli dla danych uzyskanych z Giełdy Papierów Wartościowych w Warszawie. Analizowanym szeregiem czasowym były dzienne logarytmiczne stopy zwrotu z indeksu WIG. (fragment tekstu)
This article presents a method for applying volatility models to calculate Value at Risk. To achieve the goal, Bollerslev's 1986 GARCH model is used along with ARM A model to model variance. Assuming that the conditional distribution rate of return in a given period is normal, quantiles of this distribution can be used to calculate VaR. The paper also presents a method for estimating models used to calculate VaR (backtesting) where the expected transgression value number is tested (failure test). The next chapter looks at VaR calculation for the rate of return from the Warsaw Stock Exchange WIG index by means of GARCH models. The main goal of this research is to test the usefulness of models that describe conditional variance to calculate VaR in a period of financial crisis and sudden stock price changes. It also presents how VaR can be calculated i.e. whether results are better when models that comply with the ARCH effect are used or by models without this compliance. The paper also provides the theoretical basis of VaR and GARCH.
Rocznik
Numer
Strony
385--396
Opis fizyczny
Twórcy
autor
- Uniwersytet Ekonomiczny we Wrocławiu
Bibliografia
- Bollerslev T. [1986], Generalized Autoregressive Conditional Heteroskedasticity, „Journal of Econometrics", vol. 31.
- Box G., Jenkins J. [1983], Analiza szeregów czasowych. Prognozowanie i sterowanie, PWN, Warszawa.
- Engle R. [1982], Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation, „Econometrica", vol. 50.
- Group of Thirty [1993], Derivatives: Practices and Principles, Washington.
- Jajuga K. [1999], Nowe tendencje w zarządzaniu ryzykiem finansowym, „Rynek Terminowy", nr 3.
- Jajuga K. [2000a], Miary ryzyka rynkowego -.część III. Miary zagrożenia, „Rynek Terminowy", nr 8.
- Jajuga K. [2000b], Value at Risk, „Rynek Terminowy", nr 9.
- Jajuga K., Kuziak K., Papla D. [2000], Ryzyko wybranych instrumentów polskiego rynku finansowego - cz. l, „Rynek Terminowy", nr 10.
- Jajuga K., Kuziak K., Papla D., Rokita P. |2001], Ryzyko wybranych instrumentów polskiego rynku finansowego - cz. II, „Rynek Terminowy", nr 11.
- Jorion P. [2001], Value at Risk, 2nd ed, McGraw-Hill, New York.
- Kufel T. [2007], Ekonometria - rozwiązywanie problemów z wykorzystaniem programu GRETL, wyd. 2 zm., Wydawnictwo Naukowe PWN, Warszawa.
- Łyko K. [2008], Metody ilościowe w analizie polskiego rynku kapitałowego, praca magisterska, Częstochowa.
- Osińska M. [2006], Ekonometria finansowa, PWE, Warszawa.
- Piontek K. [2001], Heteroskedastyczność rozkładu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR, Konferencja nt. „Modelowanie preferencji a ryzyko", Ustroń.
- Piontek K. [2002], Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z „grubymi ogonami", Materiały konferencyjne, cz. 2, Uniwersytet Szczeciński.
- Welfe A. [2009], Ekonometria: metody i ich zastosowanie, wyd. 4 zm., PWE, Warszawa.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000167098580