BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Pasieczna Aleksandra Helena (Wroclaw University of Economics, Poland), Szydłowska Magdalena (Wroclaw University of Economics and Business)
Title
Estimating Model Risk of VaR under Different Approaches: Study on European Banks
Szacowanie ryzyka modelu VaR w różnych podejściach : badanie na przykładzie banków europejskich
Source
Współczesne problemy zarządzania, 2021, vol 9, nr 2(19), s. 65-76, rys., tab., bibliogr. 8 poz.
Contemporary Management Problems
Keyword
Miernik ryzyka (VaR), Metoda Monte Carlo, Symulacja Monte Carlo, Model GARCH
VaR method, Monte Carlo method, Monte Carlo simulation, GARCH model
Note
streszcz., summ.
Abstract
Celem badania było oszacowanie ryzyka modelu wartości zagrożonej ryzykiem (VaR), rozumianego jako precyzja, oraz dokładności tego modelu, za pomocą trzech metod: symulacji historycznej (HS), Monte Carlo (MC) i uogólnionego modelu ARCH (GARCH). W tej pracy do analizy modelu VaR wykorzystano dokładność i precyzję. Oszacowania dokładności i precyzji dokonano w ramach trzech podejść dla czterech banków europejskich, przy poziomach ufności 95 i 99%. Procentowy udział przekroczenia wartości VaR oraz miara POF Kupca zostały użyte do oceny dokładności modelu; natomiast stosunek szacunkowych wartości maksymalnych i minimalnych VaR oraz rozstęp między tymi wartościami zastosowano do oszacowania ryzyka modelu. Wykonano to poprzez zmianę parametrów wejściowych, a dokładniej przedziałów estymacji (125, 250, 500 dni). Dokładność sama w sobie nie jest wystarczająca do oceny modelu i wymagana jest również precyzja. Ewolucja miary precyzji w czasie wykazała niespójność metod szacowania VaR w różnych warunkach rynkowych. W tym artykule skupiono się na koncepcjach dokładności i precyzji stosowanych do oszacowania ryzyka modelu wartości zagrożonej (VaR). VaR stanowi podstawę zaawansowanych wskaźników ryzyka, w tym miar ryzyka systemowego, takich jak MES i Delta CoVaR, dlatego też zrozumienie ryzyka związanego z VaR ma kluczowe znaczenie dla praktyków finansów. (abstrakt oryginalny)

The objective of this research is to estimate the model risk, represented as precision, and the accuracy of the Value at Risk (VaR) measure, under three different approaches: historical simulation (HS), Monte Carlo (MC), and generalized ARCH (GARCH). In this work, to analyze the VaR model, the accuracy and precision were used. Estimation of the accuracy and precision was done under the three approaches for four European banks at 95 and 99% confidence levels. The percentage crossings and Kupiec POF were used to judge the model accuracy, whereas the ratio of the maximum and minimum VaR estimates, and the spread between the maximum and minimum VaR estimates were used to estimate the model risk. This was achieved by changing input parameters, specifically, the estimation time window (125, 250, 500 days). Implications/Recommendations: The accuracy alone is not sufficient to evaluate a model and precision is also required. The temporal evolution of the precision metrics showed that the VaR approaches were inconsistent under different market conditions. This article focuses on the accuracy and precision concepts applied to estimate model risk of the Value at Risk (VaR). VaR is the foundation for sophisticated risk metrics, including systemic risk measures like Marginal Expected Shortfall and Delta Conditional Value at Risk. Thus, understanding the risk associated with the use of VaR is crucial for finance practitioners. (original abstract)
Full text
Show
Bibliography
Show
  1. Basel Committee on Banking Supervision. (2004). Basel II: International Convergence of Capital Measurement and Capital Standards: A Revised Framework. Bank for International Settlements.
  2. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1
  3. Danielsson, J., James, K. R., Valenzuela, M., Zer, I. (2016). Model risk of risk models. Journal of Financial Stability, 23, 79-91. https://doi.org/10.1016/j.jfs.2016.02.002
  4. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007. https://doi.org/10.2307/1912773
  5. Ferenstein, E., Gąsowski, M. (2004). Modelling stock returns with AR-GARCH processes. Statistics and Operations Research Transactions, 28(1), 55-68.
  6. Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer Science+Business Media.
  7. Holton, G. A. (2014). Value-at-Risk: Theory and Practice, Second Edition. Valueatrisk. https://www.value-at-risk.net (accessed: 17th November 2021).
  8. Pasieczna, A. H. (2019). Monte Carlo Simulation Approach to Calculate Value at Risk: Application to WIG20 and MWIG40. Financial Sciences, 24(2), 61-75. https://doi.org/10.15611/fins.2019.2.05
Cited by
Show
ISSN
2720-1627
Language
eng
URI / DOI
https://doi.org/10.52934/wpz.151
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu