Prognozowanie zmienności stóp zwrotu na rynkach złota i srebra z uwzględnieniem efektu asymetrii i długiej pamięci

• Autorzy: Bogdan Włodarczyk

Warianty tytułu

Forecasting the Volatility of the Return Rates on the Gold And Silver Markets , Taking Into Account the Asymmetry and Long Memory Effects

• Języki publikacji: PL

Abstrakty

W artykule dokonano analizy znaczenia efektu asymetrii i długiej pamięci w modelowaniu i prognozowaniu warunkowej zmienności oraz ryzyka rynkowego na rynku towarowym na przykładzie złota i srebra. Wykorzystano szeroki zestaw liniowych i nieliniowych modeli typu GARCH. Analiza prognoz wewnątrz próby (in-sample) i spoza próby (out of sample) wykazała, że zmienność stóp zwrotu dla złota i srebra jest w dokładniejszy sposób opisywana przez nieliniowe modele zmienności wykorzystujące długą pamięć i efekt asymetrii. W szczególności model FIAPARCH okazał się najlepszy do budowy prognoz VaR dla długich i krótkich pozycji. Model ten również generował najniższą liczbę naruszeń zasad bezpieczeństwa sformułowanych w Umowie Kapitałowej Bazylea II, osiągając poziom ekspozycji na ryzyko przy 99-procentowym przedziale ufności. (abstrakt oryginalny)

EN

The article analyses the meaning of the asymmetry and long memory effects in modelling and forecasting the conditioned volatility and the market risk on the commodity market on the examples of gold and silver. A wide range of linear and non-linear models of the GARCH type were used. The in-sample and out of sample forecast analyses showed that the volatility of the return rates for gold and silver is better described by the linear models of volatility, using the long memory and asymmetry effects. In particular, the FIAPARCH model turned out to be the best in estimating the VaR forecasts for long and short positions. This model also generated the least security breach formulated by the Basel II Capital Accord, reaching the level of risk exposure with the 99% of confidence interval. (original abstract)

Słowa kluczowe

PL

Stopa zwrotu; Złoto; Metale szlachetne; Prognozowanie cen; Rynki towarowe

EN

Rate of return; Gold; Precious metals; Prediction of prices; Commodity markets

• Czasopismo: Studia i Prace WNEiZ US
• Rocznik: 2017
• Numer: nr 50 T. 1. Metody ilościowe w ekonomii
• Strony: 231--247

Twórcy

autor

Bogdan Włodarczyk

• Uniwersytet Warmińsko-Mazurski w Olsztynie

Bibliografia

• Aloui, C., Mabrouk, S. (2010). Value-at-risk Estimations of Energy Commodities via Long--memory, Asymmetry and Fat-tailed GARCH Models. Energy Policy, 38, 2326-2339.
• Arouri, M., Hammoudeh, S., Lahiani, A., Nguyen, D.K. (2012). Long Memory and Structural Breaks in Modeling the Return and Volatility Dynamics of Precious Metals. The Quarterly Review of Economics and Finance, 2 (52), 207-218.
• Cheng, W.H., Hung, J.C. (2011). Skewness and Leptokurtosis in GARCH-typed VaR Estimation of Petroleum and Metal Asset Returns. The Journal of Empirical Finance, 18, 160-173.
• Choi, K., Hammoudeh, S. (2009). Long Memory in Oil and Refined Products Markets. Energy Journal, 30, 97-116.
• Doman, M., Doman, R. (2009). Modelowanie zmienności i ryzyka. Metody ekonometrii finansowej. Warszawa: Wolters Kluwer.
• Elder, J., Serletis, A. (2008). Long Memory in Energy Futures Prices. Review of Financial Economics, 17, 146-155.
• Engle, R.F., Bollerslev, T. (1986). Modelling the Persistence of Conditional Variances. The American Economic Review, 5, 1-50.
• Geweke, J., Porter-Hudak, S. (1983). The Estimation and Application of Long-memory Time Series Models. Journal of Time Series Analysis, 4, 221-238.
• Hammoudeh, S. (2009). Long Memory in Oil and Refined Products Markets. The Energy Journal, 30 (2), 97-116.
• Hammoudeh, S., Yuan, Y. (2008). Metal Volatility in Presence of Oil and Interest Rate Shocks. Energy Economics 30, 606-620.
• Hammoudeh, S., Yuan, Y., McAleer, M., Thompson, M. (2010). Precious Metals-exchange Rate Volatility Transmissions and Hedging Strategies. The International Review of Economics & Finance, 20, 633-647.
• Jajuga K. (red.) (2000). Metody ekonometryczne i statystyczne w analizie rynku kapitałowego. Wrocław: Wyd. AE we Wrocławiu.
• Kang, S.H., Yoon, S.-M. (2013). Modeling and Forecasting the Volatility of Petroleum Futures Prices. Energy Economics, 36, 354-362.
• Kupiec, P. (1995). Technique for Verifying the Accuracy of Risk Measurement Models. The Journal of Derivative, 2, 173-184.
• Mckenzie, M.D., Mitchell, H., Brooks, R.D., Faff, R.W. (2001). Power ARCH Modelling of Commodity Futures Data on the London Metal Market. The European Journal of Finance, 7, 22-38.
• Miciuła, I. (2014). The Concept of FTS Anylysis in Forecasting Trends of Exchange Rate Changes. Economics & Sociology, 7 (2), 172-182.
• Robinson, P.M. (1995). Log-periodogram Regression of Time Series with Long Range Dependence. The Annals of Statistics, 23, 1048-1072.
• Tarczyński W., Mojsiewicz M. (2001). Zarządzanie ryzykiem. Warszawa: PWE.
• Thuraisamy, K.S., Sharma, S.S., Ahmed, H.J.A. (2013). The Relationship between Asian Equity and Commodity Futures Markets. The Journal of Asian Economics, 28, 67-75.
• Vivian, A., Wohar, M.E. (2012). Commodity Volatility Breaks. Journal of International Financial Markets, Institutions & Money, 22, 395-422.
• Wei, Y., Wang, Y., Huang, D. (2010). Forecasting Crude Oil Market Volatility: Further Evidence Using GARCH-class Models. Energy Ecoomics, 32, 1477-1484.
• Zivot, E., Andrews, K. (1992). Further Evidence on the Great Crash, the Oil Price Shock, and the Unit Root Hypothesis. Journal of Business & Economic Statistics, 10, 251-270.

Identyfikatory

DOI

10.18276/sip.2017.50/1-17