Zastosowanie modeli CAViaR w szacowaniu wartości zagrożonej

• Autorzy: Małgorzata Doman

Warianty tytułu

Calculating Value at Risk with CAViaR Models

• Języki publikacji: PL

Abstrakty

Na skutek szeregu głośnych katastrof finansowych, które miały miejsce w ostatnich dwudziestu latach, problem zarządzania ryzykiem nabrał szczególnego znaczenia. W związku z tym przedmiotem zainteresowania zarówno instytucji nadzorujących rynki finansowe, jak i badaczy tych rynków oraz praktyków zajmujących się inwestycjami finansowymi, stały się techniki ilościowe pozwalające na oszacowanie możliwych strat, na które narażone są przedsiębiorstwa dokonujące tych inwestycji. Standardową miarą, za pomocą której analitycy finansowi, zarówno zatrudnieni w instytucjach finansowych, jak i instytucjach kontrolujących, kwantyfikują ryzyko rynkowe jest obecnie tzw. wartość zagrożona (wartość narażona na ryzyko) (Value at Risk, VaR). Najkrócej mówiąc, VaR, w odniesieniu do portfela, szacuje jaka jego część w danym okresie czasu zagrożona jest stratą, przy danym poziomie istotności. Dokładniej, VaR jest liczbą zdefiniowaną w taki sposób, że prawdopodobieństwo, iż portfel straci na wartości więcej niż jego VaR, w konkretnym horyzoncie czasowym, jest równe z góry zadanej liczbie a. Wielka popularność jaką VaR zdobył wśród praktyków finansowych, wynika z prostoty jego koncepcji: instrument ten sprowadza ocenę ryzyka rynkowego związanego z portfelem, do wyznaczenia jednej liczby - straty zagrażającej z danym prawdopodobieństwem. Mimo, że VaR wydaje się prostym i intuicyjnie jasnym pojęciem, to metody jego oceny nie są jednoznacznie określone, gdyż wiążą się z wyznaczaniem kwantyla nieznanego na ogół rozkładu zwrotu z instrumentu . (fragment tekstu)

EN

Value at Risk (VaR) is the standard measure that financial analysts use to quantify market risk. It is defined as the maximal loss of a financial position during a given time period for a given probability. VaR can be interpreted as the quantile of the distribution of the position returns conditional on current Information. In the paper we present Conditional Autoregressive Value at Risk (CAViaR ) models introduced by Engle and Manganelli which focus on a direct modeling of the quantile instead of estimating the variance of the conditional distribution of the returns. We apply three different CAViaR models to calculate VaR for the stock index WIG20. (original abstract)

Słowa kluczowe

PL

Rynek kapitałowy; Zarządzanie ryzykiem; Miernik ryzyka (VaR); Warszawski Indeks Giełdowy (WIG)

EN

Capital market; Risk management; VaR method; Warsaw Stock Exchange Index

• Czasopismo: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia
• Rocznik: 2004
• Numer: nr 2, Cz. 1 Rynek kapitałowy: skuteczne inwestowanie
• Strony: 339--350

Twórcy

autor

Małgorzata Doman

• Akademia Ekonomiczna w Poznaniu

Bibliografia

• Doman M., Doman R. (2004). Ekonometryczne modelowanie dynamiki polskiego rynku finansowego. Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań.
• Engle R.F., Manganelli S. (2000). CAViAR: Conditional autoregressive value at risk by regression quantiles, Econometric Society World Congress 2000, Contributed Papers 0841, Econometric Society.
• Goldberg D.E. (1989). Genetic algorithms in search, optimization, and machine learning, Reading: Addison-Wesley Publishing Corporation, Inc.
• Jajuga K., Kuziak K., Papla D. (2000). Ryzyko wybranych instrumentów polskiego rynku finansowego. Rynek Terminowy 10, 121-124.
• Jajuga K., Kuziak K., Papla D., Rokita P. (2001). Ryzyko wybranych instrumentów polskiego rynku finansowego. Rynek Terminowy 11, 133-140.
• Kupiec P. (1995). Techniques for verifying the accuracy of risk management models, Journal of Derivatives 2, 173-184.
• Piontek K. (2002). Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z "grubymi ogonami", w: Rynek kapitałowy. Skuteczne inwestowanie. Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin.
• Price K., Storn R. (1997). Differential evolution. Dr. Dobb's Journal, April, 18-24.
• Scaillet O. (2000). Nonparametric estimation and sensitivity analysis of expected shortfall, Mimeo, Universite Catholique de Louvain, IRES.