Monte Carlo Simulation Approach to Calculate Value at Risk: Application to WIG20 and mWIG40

• Autorzy: Aleksandra Helena Pasieczna

Warianty tytułu

Metoda symulacji Monte Carlo w obliczaniu wartości zagrożonej ryzykiem (VaR): zastosowanie dla WIG20 i mWIG40

• Języki publikacji: EN

Abstrakty

EN

This paper reports our estimates of the Value at Risk using Monte Carlo simulations for which we developed a computer program. Our approach involves obtaining Monte Carlo parameters by fitting real historical data of different periods to probability distributions. We applied the algorithm to the WIG20 and mWIG40 stock indices, and performed simulations for the Value at Risk at 95% and 99% confidence intervals over six estimation periods ranging from 1 trading day to 250 trading days. This approach was evaluated using the percentage failures and the Kupiec Proportion of Failures test. Our results indicate that this method is highly influenced by the choice of past historical and estimation period lengths considered. Overall, we observed that the Monte Carlo computational scheme is a reliable method for quantifying VaR when parametrized well.(original abstract)

W niniejszym artykule przedstawiono oszacowanie wartości zagrożonej ryzykiem VaR za pomocą symulacji Monte Carlo, dla której stworzono program komputerowy. Podejście polega na uzyskaniu parametrów Monte Carlo przez dopasowanie rzeczywistych danych historycznych z różnych okresów do rozkładów prawdopodobieństwa. Zastosowano ten algorytm dla indeksów giełdowych WIG20 i mWIG40, dla dwóch przedziałów ufności - wynoszących 95% i 99%, w sześciu okresach szacunkowych, które wynosiły od 1 do 250 dni pracujących. Aby uzyskać ocenę wyników symulacji, analizowano procentowy udział niepowodzeń oraz test Kupca. Wyniki te wskazują na duży wpływ rozpiętości zakresu danych historycznych, a także długości okresów szacunkowych na ocenę symulacji. Stwierdzono, iż schemat obliczeniowy metody Monte Carlo, przy odpowiedniej parametryzacji, jest wiarygodną metodą określania wartości zagrożonej ryzykiem VaR.(abstrakt oryginalny)

Słowa kluczowe

EN

Monte Carlo simulation; Vector Autoregression Model (VAR); Warsaw Stock Exchange Index; Simulation

PL

Symulacja Monte Carlo; Model wektorowej autoregresji; Warszawski Indeks Giełdowy (WIG); Symulacja

• Czasopismo: Nauki o Finansach / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2019
• Tom: 24
• Numer: nr 2
• Strony: 61--75

Twórcy

autor

Aleksandra Helena Pasieczna

• Wroclaw University of Economics, Poland

Bibliografia

• Basel II, 2004, Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework, https://www.bis.org/publ/bcbs107.htm (12.01.2018).
• Detemple J.B., Garcia R., Rindisbacher M., 2003, A Monte Carlo method for optimal portfolios, Journal of Finance, vol. 58, no. 1, pp. 401-446.
• Evans J.R., Olson D.L., 1998, Introduction to Simulation and Risk Analysis, Prentice-Hall, Inc., New Jersey, USA.
• Glasserman P., 2003, Monte Carlo Methods in Financial Engineering, Springer Science+Business Media, New York, USA.
• Holton G.A., 2014, Value-at-Risk Theory and Practice, Second Edition (self-published), https://www. value-at-risk.net (15.01.2018).
• Kupiec P.H., 1995, Techniques for verifying the accuracy of risk measurement models, The Journal of Derivatives, vol. 3, no. 2, pp. 73-84.
• Savvides S.C., 1994, Risk analysis in investment appraisal, Project Appraisal Journal, vol. 9, no. 1.
• Shapiro S.S., Wilk M.B., 1965, An analysis of variance test for normality (complete samples), Biometrika, vol. 52, no. 3-4, pp. 591-611.
• Stephens M.A., 2012, EDF statistics for goodness of fit and some comparisons, Journal of the American Statistical Association, vol. 69, no. 347, pp. 730-737.
• WIG data https://stooq.pl (23.12.2017).

Identyfikatory

DOI

10.15611/fins.2019.2.05