Alternatywne oceny ryzyka systematycznego w modelu CAMP

• Autorzy: Grażyna Trzpiot

Warianty tytułu

Alternative Method of Systematic Risk Measurement in CAMP Model

• Języki publikacji: PL

Abstrakty

Celem pracy było wykorzystanie współczynnika determinacji wraz z jego modyfikacjami dla odpornych zadań regresji, takich jak najmniejsze medianowe kwadraty (least median of squares - LMS) oraz najmniejsze absolutne odchylenia (mean absolute deviation - MAD) w szacowaniu ryzyka systematycznego. Wybrano grupę spółek i zbadano dopasowanie trzech typów regresji z wykorzystaniem trzech mierników. Miary są definiowane na innych podstawach teoretycznych, ale niezależnie od sposobu kalibracji modeli odnoszą się do całej próby oraz mogą służyć do porównania wyników regresji. Interesującym jest fakt, że potrafimy wskazać model regresji lepszy od innych pod względem przyjętego kryterium, pomimo iż wyniki nie zawsze są zadowalające (fragment tekstu)

EN

In linear regression model, estimated by last square method, the coefficient of determination gives as an information about ratio of variance of dependence variable describe by chosen in linear relation independence variable. We give the new range of this concept by description the coefficient of determination for chosen robust regression models. We proposed the description of the problem in economic contests, instead that the problem of measurement of systematic risk is a very general issue (original abstract)

Słowa kluczowe

PL

Ocena ryzyka; Regresja liniowa; Odporne metody statystyczne

EN

Risk assessment; Linear regression; Robust statistical methods

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Numer: nr 162 Wielowymiarowe modelowanie i analiza ryzyka
• Strony: 9--20

Twórcy

autor

Grażyna Trzpiot

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Anderson-Sprecher R. (1994): Model Comparisons and R2. "Amer. Statist.", 48.
• Casella G., Berger R.L. (1990): Statistical Inference. Wadsworth, Belmont.
• Fox J. (1991): Regression Diagnostics. C. A. Sage, Newbury Park.
• Gouriéroux C., Laurent J.P., Scaillet O. (1999): Sensitivity Analysis of Values at Risk. Discussion paper, Universit´e Catholique de Louvain.
• Huber P. (1981): Robust Statistics. John Wiley, New York.
• Jorion P. (1997): Value at Risk: The New Benchmark for Controlling Market Risk. Irwin, Chicago.
• Koenker R. (1982): Robust Methods in Econometrics. "Econometric Reviews", 1.
• Simonoff J.S. (1996): Smoothing Methods in Statistics. Springer, New York.
• Tasche D. (1999): Risk Contributions and Performance Measurement. Preprint, Technische Universität München, http://www.ma.tum.de/stat/.
• Trzpiot G. (2004): Kwantylowe miary ryzyka. "Prace Naukowe AE Wrocław", 1022.
• Trzpiot G. (2007): Regresja kwantylowa a estymacja VaR. "Prace Naukowe AE Wrocław", 1176.
• Trzpiot G. (2008): Implementacja metodologii regresji kwantylowej w estymacji VaR. "Studia i Prace" nr 9, Uniwersytet Szczeciński, Szczecin 2008.
• Trzpiot G. (2013a): Selected Robust Methods for CAMP Model Estimation. "Folia Oeconomica Stetinensia" 2013, Vol. 12, Iss. 2.
• Trzpiot G. (2013b): Wybrane statystyki odporne. W: Metody wnioskowania statystycznego w badaniach ekonomicznych. Red. J.L. Wywiał. Wydawnictwo UE, Katowice.
• Uryasev S. (2000): Introduction to the Theory of Probabilistic Functions and Percentiles (Value-at-risk). Research Report