다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
응용통계연구 = The Korean journal of applied statistics, v.29 no.4, 2016년, pp.753 - 771
이상훈 (건국대학교 응용통계학과) , 여성칠 (건국대학교 응용통계학과)
AI-Helper
Value at Risk (VaR) is widely used as an important tool for risk management of financial institutions. In this paper we discuss estimation and back testing for VaR of the portfolio composed of KOSPI, Dow Jones, Shanghai, Nikkei indexes. The copula functions are adopted to construct the multivariate ...
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 극단적인 상황에서 VaR를 적절하게 추정하기 위한 방법으로 극단치이론을 이용할 때의 장점은? | 극단적인 상황에서 VaR를 적절하게 추정하기 위한 방법 중 하나는 극단치이론(extreme value theory; EVT)을 이용하는 것이다. 이 방법은 전체 데이터 중에서 극단치들만 별도로 고려하므로 극단적인 상황에 대해서 유의한 정보를 제공할 뿐만 아니라 수익률의 분포에 대해 어떠한 가정없이 VaR를 추정함으로써 특정한 분포를 가정할 경우에 실제분포와의 차이에서 발생하는 오차를 줄일 수 있다. 극단치이론을 이용한 위험측정에 관한 연구들로는 Danielsson과 de Vries (1997, 2000), Login (1996, 2000), McNeil과 Frey (2001), Yeo (2006a) 등이 있다. | |
| VaR은 무엇인가? | 금융시장의 손실 위험 정도를 측정하기 위해 고안된 VaR(Value at Risk)는 금융자산으로 구성된 포트폴리오의 총 위험을 하나의 수치로 요약한 개념으로 전 세계 금융기관에서 널리 활용되고 있는 위험척도이다. 구체적으로 VaR는 Jorion (2007)에서 언급한 바와 같이 향후 포트롤리오의 가치변화로 인해주어진 신뢰수준에서 목표 보유기간 동안 발생할 수 있는 포트폴리오의 최대손실액을 말한다. 포트폴리오 VaR의 추정을 위해 편의상 금융자산 수익률의 분포로 정규분포를 흔히 가정한다. | |
| 여러 자산으로 구성된 포트폴리오 VaR를 추정하는데 중요한 점은? | 한편, 여러 자산으로 구성된 포트폴리오 VaR를 추정하는데 중요한 점은 개별 자산 수익률들의 확률분포와 함께 이들 간의 의존성구조를 파악하는 것이다. 그런데 다변량의 경우 정규분포를 제외하고 결합확률분포로부터 직접 개별 확률변수들 간의 의존성 구조를 도출하는 것은 매우 어려운 실정이다. |
Alexander, C. (2008). Market Risk Analysis IV: Value at Risk Models, John Wiley & Sons, England.
Black, F. (1976). Studies of stock market volatility changes. In Proceedings of the American Statistical Association, Business and Economic Statistics Section, 177-181.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 31, 307-327.
Cherubini, U., Luciano, E., and Vecchiato, W. (2004). Copula Methods in Finance, John Wiley & Sons, England.
Christoffersen, P. F. (1998). Evaluating interval forecasts, International Economic Review, 39, 841-864.
Danielsson, J. and de Vries, C. G. (1997). Tail index and quantile estimation with very high frequency data, Journal of Empirical Finance, 4, 241-257.
Danielsson, J. and de Vries, C. G. (2000). Value-at-risk and extreme returns, Annales d'Economie et de Statistique, 60, 239-270.
Ding, Z., Granger, C. W. J., and Engle, R. F. (1993). A long memory property of stock market returns and model, Journal of Empirical Finance, 1, 83-106.
Dowd, K. (1998). Beyond value at Risk: The new Science of Risk Management, John Wiley & Sons, England.
Embrechts, P., McNeil, A. J., and Straumann, D. (1999). Correlation: pitfalls and alternatives, Risk, 5, 69-71.
Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation, Econometrica, 50, 987-1006.
Engle, R. F. and Bollerslev, T. (1986). Modeling the persistence of conditional variances, Econometric Reviews, 5, 1-50.
Ghorbel, A. and Trabelsi, A. (2009). Measure of financial risk using conditional extreme value copulas with EVT margins, Journal of Risk, 11, 51-85.
Glosten, L. R., Jaganathan, R., and Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks, Journal of Finance, 48, 1779-1801.
Huang, S.-C., Chien, Y.-H., and Wang, R.-C. (2011). Applying GARCH-EVT-Copula models for portfolio Value-at-Risk on G7 currency markets, International Research Journal of Finance and Economics, 74, 136-151.
Hsu, C.-P., Huang, C.-W., and Chiou, W.-J. P. (2011). Effectiveness of copula-extreme value theory in estimating Value-at-Risk: empirical evidence from Asian emerging markets, Review of Quantitative Finance and Accounting, 39, 447-468
Joe, H. (1997). Multivariate Models and Dependence Concepts, Chapman and Hall, London.
Jorion, P. (2007). Value at Risk (3rd Ed), McGraw Hill, New York.
Kupiec, P. (1995). Techniques for verifying the accuracy of risk measurement models, Journal of Derivatives, 2, 73-84.
Lee, S. H. (2016). Performance Analysis of VaR estimates using EVT-GARCH-Copula model, Master Thesis, Konkuk University, Seoul.
Longin, F. M. (1996). The asymptotic distribution of extreme stock market returns, Journal of Business, 69, 383-408.
Longin, F. M. (2000). From Value at Risk to stress testing: the extreme value approach, The Journal of Banking and Finance, 24, 1097-1130.
Longin, F. M. and Solnik, B. (2001). Extreme correlation of international equity markets, Journal of Finance, 56, 649-676.
McNeil, A. J. and Frey, R. (2000). Estimation of tail-related risk for heteroscedastic financial time series: an extreme value approach, Journal of Empirical Finance, 7, 271-300.
Poon, S.-H., Rockinger, M., and Tawn, J. (2003). Modeling extreme value dependence in international stock markets, Statistica Sinica, 13, 929-953.
Sklar, A. (1959). Fonctions de repartition a n dimensions et leurs marges, Publications de l'Institut de Statistique de l'Universite de Paris, 8, 229-231.
Taylor, S. J. (1986). Modelling Financial Time Series, John Wiley & Sons, London.
Zakoian, J. M. (1994). Threshold heteroscedastic models, Journal of Economic Dynamics and Control, 18, 931-955.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.