|
|
Portfólio Value at Risk a Expected Shortfall s použitím vysoko frekvenčních dat
Zváč, Marek ; Fičura, Milan (vedoucí práce) ; Janda, Karel (oponent)
Hlavním cílem této práce je zjistit, zda vícerozměrné modely s použitím vysokofrekvenčních dat poskytují výrazně přesnější předpovědi Value at Risk a Expected Shortfall než vícerozměrné modely pouze s pomocí denních data. Náš cíl je velmi aktuální, protože v roce 2013 Basilejský výbor oznámil, že se chystá změnit rizikovou míru používanou pro výpočet kapitálových požadavků z Value at Risk na Expected Shortfall. Další zlepšení přesnosti obou rizikových měr může být také dosaženo začleněním vysokofrekvenční údajů, které jsou mnohem více k dispozici vzhledem k významnému technologickému pokroku. Jako reprezentativní model, který využívá vysokofrekvenční data pro modelování realizované kovarianční matice, jsme vybrali heterogenní autoregresi a její asymetrickou verzi. Jako benchmark jsou vybrány dobře zavedené modely DCC-GARCH a EWMA. Výpočet Value at Risk a Expected Shortfall se provádí pomocí parametrické, semi-parametrické metody a Monte Carlo simulace. Vícerozměrné rozdělení ztrát jsou reprezentovány Gaussovým, Studentovým rozdělením, simulovaným rozdělením z copula funkcí a filtrovaných historických simulací. Jako jednorozměrné rozdělení byly použity generalizované Paretovo rozdělení z EVT, empirické a standartní parametrické rozdělení. Hlavním zjištěním je, že heterogenní autoregrese s použitím vysoko frekvenčních dat dodala lepší nebo alespoň stejnou přesnost prognóz Value at Risk jako benchmark modely s použitím denních dat. Nakonec backtesting Expected Shortfall zůstává stále velmi náročný a aplikace testů I. a II. neposkytla věrohodnou validaci předpovědí.
|
host ::
RSS.