Prognozowanie VaR - zastosowanie wielorównaniowych modeli GARCH

• Autorzy: Piotr Fiszeder

Warianty tytułu

Forecasting VaR - Application of Multivariate GARCH Models

• Języki publikacji: PL

Abstrakty

Przedstawiono opis stosowanych w badaniu metod prognozowania VaR (Value at Risk) oraz metod oceny trafności prognoz. Przeprowadzono analizę skuteczności prognoz VaR dla portfela dwudziestu spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie. Zastosowano jedenaście specyfikacji modelu GARCH w tym osiem parametryzacji wielorównaniowego modelu GARCH oraz cztery dodatkowe metody.

EN

Performance of eleven specifications of GARCH models (incl. eight multivariate parameterisations) and four other methods for predicting VaR for portfolio of twenty Polish stocks is compared. It is much easier to forecast VaR for 1% than 5% level. Application of univariate GARCH model for forecasting VaR for portfolio gives no worse results or even better than application of multivariate GARCH models. It is important from practical point of view because estimation of most of the multivariate GARCH specifications is difficult or even impossible for large amount of assets. (original abstract)

Słowa kluczowe

PL

Giełda papierów wartościowych; Akcje; Miernik ryzyka (VaR); Metody prognozowania; Model GARCH

EN

Stock market; Shares; VaR method; Forecasting methods; GARCH model

• Czasopismo: Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego
• Rocznik: 2007
• Numer: nr 5
• Strony: 365--376

Twórcy

autor

Piotr Fiszeder

Bibliografia

• Alexander C., (2001), Market Models. A Guide to Financial Data Analysis, John Wiley & Sons, Chichester.
• Alexander C., Chibumba A. (1996) Multivariate Orthogonal Factor GARCH, University of Sussex Discussion Papers in Mathematics.
• Andersen T., Bollerslev T. (1998) Answering the Skeptics: Yes, Standard Yolatility Models Do Provide Accurate Forecasts, International Economic Review, 39, 4, 885-905.
• Bollerslev T. (1990) Modelling the Coherence in Short-Run Nominał Exchange Rates: A Multivariate Generalized ARCH Approach, Review of Economics and Statistics, 72, 498-505.
• Ding Z., Engle R. F. (2001) Large Scalę Conditional Covariance Matrix Modeling, Estimation and Testing, Academia Economic Papers, 29, 2,157-184.
• Doman, M., Doman, R. (2004), Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, AE w Poznaniu, Poznań.
• Engle R. F. (1987) Multivariate ARCH with Factor Structures-Cointegration in Yariance. Discussion Paper 87, University of California, San Diego.
• Engle R. F. (2002) Dynamie Conditional Correlation - A Simple Class of Multivariate GARCH Models, Journal of Business and Economic Statistics, 20, 339-350.
• Engle R. F., Mezrich J. (l 996) GARCH for Groups, Risk, 9, No.8, 36-40.
• Kupiec P., (1995), Techniąues for Yerifying the Accuracy of Risk Measurement Models, Journal of Derivatives, 2, 73-84.
• Łach M., Weron A., (2000), Skuteczność wybranych metod obliczania VaR dla danych finansowych z polskiego rynku, Rynek Terminowy, 9, 133-137.
• Piontek K., (2002), Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z grubymi ogonami, Rynek Kapitałowy. Skuteczne inwestowanie, Uniwersytet Szczeciński, Szczecin.
• Pipień M., (2006), Wnioskowanie bayesowskie w ekonometrii finansowej, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
• Rokita P., (2003), Porównywanie podejść do szacowania wartości zagrożonej (VaR) na przykładzie pozycji walutowej, Inwestycje finansowe i ubezpieczenia - tendencje światowe a polski rynek, Prace naukowe AE we Wrocławiu, nr 991, Wrocław.
• West K. D., Cho D. (1995) The Predictive Ability of Several Models of Exchange Rate Yolatility, Journal of Econometrics, 69, 367-391.