BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Górka Joanna (Nicolaus Copernicus University in Toruń, Poland)
Tytuł
The Sign RCA Models : Comparing Predictive Accuracy of VaR Measures
Modele Sign RCA : porównanie trafności prognoz VaR
Źródło
Dynamic Econometric Models, 2010, vol. 10, s. 62-81, tab., bibliogr. 22 poz.
Słowa kluczowe
Miernik ryzyka (VaR), Prognozowanie, Metody estymacji, Giełda papierów wartościowych
VaR method, Forecasting, Estimation methods, Stock market
Uwagi
summ., streszcz.
Firma/Organizacja

Abstrakt
Obiektywna i skuteczna ocena trafności prognozowania wartości narażonej na ryzyko (Value at Risk - VaR) jest bardzo ważna zarówno dla efektywnego zarządzania kapitałem jak i do prognozowania strat. Z tego powodu znalezienie odpowiednich metod estymacji i weryfikacji VaR jest kluczowe zarówno dla instytucji nadzorujących jak i dla menadżerów. Modele Sign RCA mogą być użyteczne do otrzymywania trafnych prognoz VAR. W artykule, pokrótce przedstawione są modele Sign RCA, wartość narażona na ryzyko i weryfikacja prognoz VaR. Porównana jest trafność prognoz VaR otrzymanym z różnych alternatywnych modeli. Przykład empiryczny skoncentrowany jest głównie na cenach akcji spółki PBG notowanej na Giełdzie Papierów Wartościowych w Warszawie. (abstrakt oryginalny)

Evaluating Value at Risk (VaR) methods of predictive accuracy in an objective and effective framework is important for both efficient capital allocation and loss prediction. From this reasons, finding an adequate method of estimating and backtesting is crucial for both the regulators and the risk managers'. The Sign RCA models may be useful to obtain the accurate forecasts of VaR. In this research one briefly describes the Sign RCA models, the Value at Risk and backtesting. We compare the predictive accuracy of alternative VaR forecasts obtained from different models. Empirical example is mainly related to the PBG Capital Group shares on the Warsaw Stock Exchange. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Angelidis, T., Benos, A., Degiannakis, S. (2004), The Use of GARCH Models in VaR Estimation, Statistical Methodology, 1, 105-128.
  2. Appadoo, S. S., Thavaneswaran, A., Singh, J. (2006), RCA Models with Correlated Errors, Applied Mathematics Letters, 19, 824-829.
  3. Artzner, P., Delbaen, F., Eber, J.-M., Heath, D. (1999), Coherent Measures of Risk, Mathematical Finance, 9, 203-228.
  4. Aue, A. (2004), Strong Approximation for RCA(1) Time Series with Applications, Statistics & Probability Letters, 68, 369-382.
  5. Bao, Y., Lee, T.-H., Saltoglu, B. (2006), Evaluating Predictive Performance of Value-at-Risk Models in Emerging Markets: A Reality Check, Journal of Forecasting, 25,101-128.
  6. Blanco, C., Ihle, G. (1998), How good is your VaR? Using Backtesting to Assess System Performance, Financial Engineering News, August, 1-2.
  7. Bollerslev, T. (1986), Generalized Autoregressive Conditional Heteroscedasticity, Journal of Econometrics, 31, 307-327.
  8. Caporin, M. (2003), Evaluating Value-at-Risk Measures in Presence of Long Memory Conditional Volatility, Working Paper 05.03, GRETA.
  9. Christoffersen, P. F. (1998), Evaluating Interval Forecasts, International Economic Review, 39, 841-862.
  10. Diebold, F. X., Mariano, R. S. (1995), Comparing Predictive Accuracy, Journal of Business & Economic Statistics, 13, 253-263.
  11. Engle, R. F. (1982), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica, 50, 987-1006.
  12. Giacomini, R., Komunjer, I. (2005), Evaluation and Combination of Conditional Quantile Forecasts, Journal of Business and Economic Statistics, 23, 416-431.
  13. Górka, J. (2008), Description the Kurtosis of Distributions by Selected Models with Sing Function, Dynamic Econometric Models, 8, 39-49.
  14. Haas, M. (2001), New Methods in Backtesting, Financial Engineering, Working Paper, Bonn.
  15. Lopez, J. (1998), Methods for Evaluating Value-at-Risk Estimates, FRBNY Economic Policy Review.
  16. Lopez, J. (1999), Regulatory Evaluation of Value-at-Risk Models, FRBNY Economic Policy Review, 4, 119-124.
  17. Nicholls, D., Quinn, B. (1982), Random Coefficient Autoregressive Models: An Introduction, Springer, New York.
  18. Sarma, M., Thomas, S., Shah, A. (2003), Selection of Value-at-Risk Models, Journal of Forecasting, 22, 337-358.
  19. Thavaneswaran, A., Appadoo, S. S. (2006), Properties of a New Family of Volatility Sing Models, Computers & Mathematics with Applications, 52, 809-818.
  20. Thavaneswaran, A., Appadoo, S. S., Bector, C. R. (2006), Recent Developments in Volatility Modeling and Application, Journal of Applied Mathematics and Decision Sciences, 2006, 1-23.
  21. Thavaneswaran, A., Appadoo, S. S., Ghahramani, M. (2009), RCA Models with GARCH Innovations, Applied Mathematics Letters, 22, 110-114.
  22. Thavaneswaran, A., Peiris, S., Appadoo, S. (2008), Random Coefficien Volatility Models, Statistics & Probability Letters, 78, 582-593.
Cytowane przez
Pokaż
ISSN
1234-3862
Język
eng
URI / DOI
http://dx.doi.org/10.12775/DEM.2010.006
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu