Big data econometric methods for Value at risk (VaR): and empirical application on stock markets

Abstract

Η διπλωματική αυτή αποτελεί μία πλήρη παρουσίαση των διαφορετικών οικονομετρικών μεθόδων που χρησιμοποιούνται για την εκτίμηση του Value at Risk (VaR) στα χρηματοοικονομικά περιβάλλοντα. Ο βασικός στόχος της ανάλυσης μας είναι να επικεντρωθούμε στην παραμετρική προσέγγιση στον υπολογισμό του VaR και να συγκρίνουμε τα αποτελέσματα με την υπάρχουσα βιβλιογραφία. Εφαρμόσαμε διάφορα μοντέλα χρονοσειρών και κατανομών για τις αποδόσεις, καθώς επίσης ελέγξαμε τρία μοντέλα για το volatility που ανήκουν στην οικογένεια των GARCH μοντέλων. Η ανάλυση έγινε πάνω σε τρεις δείκτες από διαφορετικές αγορές μετοχών. Συγκεκριμένα χρησιμοποιήθηκαν ο NASDAQ, ο Euro Stoxx 50 και ο NIKKEI 225 για τη χρονική περίοδο 2013-2022. Σύμφωνα με την επιστημονική μας έρευνα η υπόθεση ασύμμετρων κατανομών για τις εξαρτώμενες συναρτήσεις πυκνότητας των καταλοίπων, κατέληξε σε καλύτερα αποτελέσματα στην πρόβλεψη του VaR ενώ παράλληλα τα μοντέλα για το volatility που δοκιμάστηκαν παρουσίασαν παρόμοια αποτελεσματικότητα.

The following dissertation forms a complete presentation of the different econometric methods used for Value at Risk (VaR) estimation in financial environments. The main goal of the analysis is to specifically focus on the parametric approach to VaR estimation and compare the results to literature. We applied various time series models and distributions for the returns while also tested three of the GARCH family models for volatility on three financial indices, from different stock markets. Specifically, the NASDAQ, the Euro Stoxx 50, and the NIKKEI 225 Indices for the years 2013-2022. According to our research assuming skewed distributions for the conditional densities of the innovations results in better VaR forecasts while the volatility models tested present similar efficiency.