do strony glownej wydziału  strona główna wydziału   English version | Adresy i telefony na wydziale
Działalność Naukowo Badawcza
O czasopiśmie

Rada Naukowa

Recenzenci

Redakcja

Aktualny numer

Numery archiwalne

Wymogi dla autorów

Procedura recenzowania

Prenumerata

Kontakt z redakcją

 
Prace i Materiały Wydziału Zarządzania
Wzorzec artykułu do PiM WZ UG

Piotr Fiszeder

 

 

Prognozowanie VaR – zastosowanie

wielorównaniowych modeli GARCH

 

 

Streszczenie

Value at Risk można wyznaczyć dla pojedynczych aktywów, ale na ogół głównym celem jest estymacja VaR dla portfela aktywów. W przeciwieństwie do badań pojedynczych instrumentów finansowych jest bardzo mało analiz, w których ocenia się trafność prognoz VaR konstruowanych z zastosowaniem wielorównaniowych modeli GARCH dla większej liczby aktywów. W badaniu dla dwudziestu spółek notowanych na GPW w Warszawie zastosowano jedenaście specyfikacji modelu GARCH w tym osiem parametryzacji wielorównaniowego modelu GARCH oraz cztery dodatkowe metody.

Uzyskane wyniki wskazują, że znacznie łatwiejsze jest prognozowanie VAR dla poziomu tolerancji 0,01. Żadna metoda prognozowania nie dała w pełni zadawalających wyników dla poziomu 0,05, co potwierdza słuszność wyboru poziomu tolerancji 0,01 przy szacowaniu wymogów kapitałowych. W żadnym przypadku zastosowanie najbardziej popularnych metod prognozowania VaR, czyli metody wariancji-kowariancji i symulacji historycznej nie dało trafnych prognoz VaR.

Zastosowanie podejścia jednorównaniowego z jednorównaniowym modelem GARCH do prognozowania VaR dla portfela akcji dało nie gorsze, a często nawet lepsze wyniki niż zastosowanie wielorównaniowych modeli GARCH. Wynik ten jest ważny z praktycznego punktu widzenia, ponieważ przy dużej liczbie aktywów estymacja parametrów większości specyfikacji wielorównaniowych modeli GARCH jest bardzo trudna lub wręcz niemożliwa.

 

 

Forecasting VaR – Application of Multivariate GARCH Models
(Summary)

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.


wstecz


  do strony glownej wydziału  strona główna UG Adresy i telefony na UG   Biblioteka główna UG   Pytania  
kontakt z webmasterem   kontakt z webmasterem
 
do strony głównej UG do strony głównej wydziału do strony głównej wydziału