Modeling the Dependence Structure of the WIG20 Portfolio Using a Pair-copula Construction

• Autorzy: Ryszard Doman

Warianty tytułu

Modelowanie struktury zależności portfela indeksu WIG20 za pomocą kaskady kopuli dwuwymiarowych

• Języki publikacji: EN

Abstrakty

EN

Elliptical distributions commonly applied to modeling the returns of stocks in highdimensional portfolio are not capable of adequate describing the dependence between the components when their statistical properties are very diverse. The MGARCH and standard dynamic copula models are often of little usefulness in such cases. In this paper, we apply a methodology called the pair-copula decomposition to model the joint conditional distribution of the returns on stocks constituting the WIG20 index, and show some advantage of this construction over the approach using the t Student DCC model. (original abstract)

W artykule przedstawiono wyniki zastosowania nowej metodologii modelowania zależności pomiędzy zwrotami składników portfela wysokowymiarowego. Idea tego podejścia polega na dekompozycji gęstości rozkładu łącznego na iloczyn, w którym występują jedynie gęstości kopuli dwuwymiarowych pewnych rozkładów warunkowych wyznaczonych przez modelowane zmienne. Badania dotyczą stóp zwrotu z akcji wchodzących w skład indeksu WIG20 i potwierdzają pewną przewagę nowej metodologii nad podejściem, w którym stosowany jest model DCC Engle'a z wielowymiarowym rozkładem t Studenta. (abstrakt oryginalny)

Słowa kluczowe

EN

Stock market indexes; Equity portfolios; Student's t-distribution

PL

Indeks giełdowy; Portfel akcji; Rozkład t-Studenta

• Czasopismo: Dynamic Econometric Models
• Rocznik: 2010
• Tom: 10
• Strony: 31--42

Twórcy

autor

Ryszard Doman

• Adam Mickiewicz University in Poznań, Poland

Bibliografia

• Aas, K., Czado, C., Frigessi, A., Bakken, H. (2009), Pair-Copula Constructions of Multiple Dependence, Insurance: Mathematics and Finance, 44, 182-198.
• Bauwens, E. Laurent, S. Rombouts, J.V.K. (2006), Multivariate GARCH Models: A Survey, Journal of Applied Econometrics, 21, 79-109.
• Bedford, T., Cooke, R.M. (2001), Probability Density Decomposition for Conditionally Dependent Random Variables Modeled by Vines, Annals of Mathematics and Artificial Intelligence, 32, 245-268.
• Bedford, T., Cooke, R.M. (2002), Vines - a New Graphical Model for Dependent Random Variables, Annals of Statistics, 30, 1031-1068.
• Christoffersen, P. F. (1998), Evaluating Interval Forecasts, International Economic Review, 39, 841-862.
• Engle, R. F., (2002), Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models, Journal of Business & Economic Statistics, 20, 339-350.
• Genest, C. Ghoudi K. Rivest, L.-P. (1995), A Semiparametric Estimation Procedure of Dependence Parameters in Multivariate Families of Distributions, Biometrika, 82, 543-552.
• Giot, P., Laurent, S. (2003), Value-at-Risk for Long and Short Trading Positions, Journal of Applied Econometrics, 18, 641-664.
• Joe, H. (1996), Families of m-variate Distributions with Given Margins and m(m - 1)/2 Bivariate Dependence Parameters. In: Rüschendorf, L., Schweizer, B.,Taylor, M.D. (Eds.), Distributions with Fixed Marginals and Related Topics, IMS Lecture Notes Monograph Series 28, Institute of Mathematical Statistics, Hayward, CA, 120-141.
• Joe, H. (1997), Multivariate Models and Dependence Concepts, Chapman & Hall, London.
• Kurowicka, D., Cooke, R. M., (2006), Uncertainty Analysis with High Dimensional Dependence Modelling, Wiley, New York.
• Lambert, P., Laurent, S. (2001), Modelling Financial Time Series Using GARCH-type Models with a Skewed Student Distribution for the Innovations, Institut de Statistique, Université Catholique de Louvain, Discussion Paper 0125.
• Nelsen, R. B. (2006) An Introduction to Copulas (2nd ed.), Springer, New York
• Sklar, A. (1959), Fonctions de rérpartition ŕ n dimensions et leurs marges, Publications de l'Institut Statistique de l'Université de Paris, 8, 229-231.

Identyfikatory

DOI

10.12775/DEM.2010.003