Zastosowanie zmienności zrealizowanej i modeli typu ARCH w wyznaczaniu wartości zagrożonej

• Autorzy: Barbara Będowska-Sójka

Warianty tytułu

Modeling Value-At-Risk When Realized Volatility and ARCH-Type Models Are Used

• Języki publikacji: PL

Abstrakty

W szacowaniu wartości zagrożonej istotną rolę odgrywa przyjęta miara zmienności zwrotów z instrumentu finansowego. Do oszacowania nieobserwowalnej zmienności stosuje się modele parametryczne, zmienność implikowaną, wykorzystuje się kwadraty dziennych stóp zwrotu bądź szacuje dzienną zmienność zrealizowaną na podstawie danych wysokiej częstotliwości. W pracy podjęto próbę wyznaczenia prognoz wartości zagrożonej dla indeksu WIG20 i najbardziej płynnych spółek notowanych na GPW w Warszawie, wykorzystując różne miary zmienności zrealizowanej i porównano z prognozami wartości zagrożonej uzyskanymi z modeli GARCH. Wykazano, że z punktu widzenia prognozowania wartości zagrożonej lepsze wyniki uzyskuje się, stosując metody oparte na modelach z rodziny GARCH.(abstrakt oryginalny)

EN

When forecasting value-at-risk the important issue is the method of estimating unobservable volatility. In the article we compare the performance of two types of VaR forecasts: parametric, where volatility is based on two GARCH-type models (GARCH and APARCH) and nonparametric, where volatility is calculated as realized volatility with and without night return. Our sample consists of returns of the most liquid stocks and WIG20 index in the period 2007.09 - 2011.04. Surprisingly, for the financial series considered in the paper the value-at-risk based on GARCH-type models performed better than value-at-risk based on ARFIMA models for realized volatility. As the use of nonparametric measures of volatility is more time-consuming and data requirements are serious we recommend the parametric methods for value-at-risk estimation.(original abstract)

Słowa kluczowe

PL

Instrumenty finansowe; Prognozowanie

EN

Financial instruments; Forecasting

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2012
• Numer: nr 254 Inwestycje finansowe i ubezpieczenia - tendencje światowe a rynek polski
• Strony: 11-22

Twórcy

autor

Barbara Będowska-Sójka

• Uniwersytet Ekonomiczny w Poznaniu

Bibliografia

• Andersen T.G., Bollerslev T., Answering the skeptics. Yes, standard volatility models do provide accurate forecasts, "Internationl Economic Rewiev" 1998, no 39.
• Andersen T.G., Bollerslev T., Diebold F.X., Ebens H., The distribution of realized stock return volatility, "Journal of Financial Economics" 2001, no 61.
• Andersen T.G., Bollerslev T., Diebold F.X., Labys P., Modeling and forecasting realized volatility, "Econometrica" 2003, no 71.
• Barndorff-Nielsen O.E., Shephard N., Econometric analysis of realised volatility and its use in estimating stochastic volatility models, "Journal of the Royal Statistical Society" 2002, seria B, no 64.
• Będowska-Sójka B., Prognozowanie zmienności zwrotów z akcji w oparciu o dane śróddzienne, [w:] Matematyka i informatyka na usługach ekonomii, red. D. Appenzeller, Wydawnictwo UEP, Poznań 2011.
• Będowska-Sójka B., Kliber A., Realized volatility versus GARCH and stochastic volatility models. the evidence from the WIG20 Index and the EUR/PLN foreign exchange market, "Przegląd Statystyczny" 2010, no 4, tom 57.
• Bauwens L., Giot P., Econometric Modeling of Stock Market Intraday Activity, Springer, 2001.
• Corsi F., Dacorogna M., Müller U., Zumbach G., High frequency data do improve volatility and risk estimation, FCO.2000-03-18, Olsen Ltd. Research Group, 2009.
• Corsi F., A simple approximate long-memory model of realized volatility, "Journal of Financial Econometrics" 2009, vol. 7, no 2.
• Dacorogna M., Gaurreau C., Müller U., Olsen R., Pictet O., Changing time scale for short-term forecasting in financial markets, "Journal of Forecasting" 1996, vol. 15, Issue 3.
• Ding Z., Granger C.W.J., Engle R., A long memory property of stock market returns and a new model, "Journal of Empirical Finance" 1993, no 1.
• Doman M., Doman R., Modelowanie zmienności, Wolters Kluwer, Kraków 2009.
• Doman R., Prognozowanie zmienności zrealizowanej indeksu WIG20 za pomocą modelu GARCH, "Przegląd Statystyczny" 2003, nr 50 (4).
• Doornik, J.A., Object-Oriented Matrix Programming Using Ox, 3rd ed., Timberlake Consultants Press and Oxford, London 2007, www.doornik.com.
• Doornik J.A., Ooms M., Computational aspects of maximum likelihood estimation of autoregressive fractionally integrated moving average models, "Computational Statistics and Data Analysis" 2003, no 41.
• Engle R.F., Manganelli S., CAViar. Conditional autoregressive Value at Risk by regression quantiles, [w:] Econometric Society World Congress 2000, Contributed Papers 0841, Econometric Society, 1999.
• Giot P., Laurent S., Modelling daily Value-at-Risk using realized volatility and ARCH-type models, Working Paper, http://www.core.ucl.ac.be/econometrics/giot.htm