[논문]성근 바인 코풀라 모형을 이용한 고차원 금융 자료의 VaR 추정

안광준; 백창룡

doi:10.5351/kjas.2021.34.6.875

초록
AI-Helper

최대예상손실액(VaR)은 위험관리수단으로 금융에서 시장위험을 측정하는 대표적인 값이다. 본 논문에서는 다양한 자산으로 이루어진 고차원 금융자료에서 자산들 간의 의존성 구조를 잘 설명할 수 있는 성근 바인 코풀라를 이용한 VaR 추정에 대해서 논의한다. 성근 바인 코풀라는 정규 바인 코풀라 모형에 벌점화를 적용한 방법으로 추정하는 모수의 개수를 벌점화를 통해 축소하는 방법이다. 모의 실험 결과 성근 바인 코풀라를 이용한 VaR 추정이 더 작은 표본 외 예측오차를 줌을 살펴볼수 있었다. 또한 최근 5년간의 코스피 60개 종목을 바탕으로 실시한 실증 자료 분석에서도 성근 바인 코풀라 모형이 더 좋은 예측 성능을 보임을 확인할 수 있었다.

Abstract ▼ AI-Helper

Value at Risk (VaR) is the most popular measure for market risk. In this paper, we consider the VaR estimation of portfolio consisting of a variety of assets based on multivariate copula model known as vine copula. In particular, sparse vine copula which penalizes too many parameters is considered. ...

Value at Risk (VaR) is the most popular measure for market risk. In this paper, we consider the VaR estimation of portfolio consisting of a variety of assets based on multivariate copula model known as vine copula. In particular, sparse vine copula which penalizes too many parameters is considered. We show in the simulation study that sparsity indeed improves out-of-sample forecasting of VaR. Empirical analysis on 60 KOSPI stocks during the last 5 years also demonstrates that sparse vine copula outperforms regular copula model.

주제어

표/그림 (11)

그림 Figure 1: Time plot of two assets.
표 Table 1: Result of simulation
그림 Figure 2: BIC plot for d = 10(left) and BIC plot for d = 60(right).
그림 Figure 3: 90% VaR plot for d = 10.
그림 Figure 5: 99% VaR plot for d = 10.
그림 Figure 4: 95% VaR plot for d = 10.
그림 Figure 6: 90% VaR plot for d = 60.
그림 Figure 7: 95% VaR plot for d = 60.
그림 Figure 8: 99% VaR plot for d = 60.
표 Table 2: Kupiec test when d = 10
표 Table 3: Kupiec test when d = 60

참고문헌 (16)

Bedford T and Cooke RM (2001). Probability density decomposition for conditionally dependent random variables modeled by vines, Annals of Mathematics and Artificial intelligence, 32, 245-268.
Bedford T and Cooke RM (2002). Vines: A new graphical model for dependent random variables, Annals of Statistics, 30, 1031-1068.

상세보기
Brechmann EC and Czado C (2013). Risk management with high-dimensional vine copulas: An analysis of the Euro Stoxx 50, Statistics & Risk Modeling, 30, 307-342.

상세보기
Dissmann J, Brechmann EC, Czado C, and Kurowicka D (2013). Selecting and estimating regular vine copulae and application to financial returns, Computational Statistics and Data Analysis, 59, 52-69,

상세보기
Embrechts P, McNeil A, and Straumann D (2002). Correlation and dependence in risk management: properties and pitfalls, Risk Management: Value at Risk and Beyond, 1, 176-223.
Fan J, Qi L, and Xiu D (2014). Quasi-maximum likelihood estimation of GARCH models with heavy-tailed likelihoods, Journal of Business & Economic Statistics, 32, 178-191.

상세보기
Friedman J, Hastie T, and Tibshirani R (2010) Regularization paths for generalized linear models via coordinate descent, Journal of Statistical Software, 33, 1-22.

상세보기
Joe H (1996). Families of m-variate distributions with given margins and m(m - 1)/2 bivariate dependence parameters, Lecture Notes-Monograph Series, 120-141.
Jorion P (2002). Value at Risk: The New Benchmark for Managing Financial Risk, McGraw-Hill.
Kupiec P (1995). Techniques for verifying the accuracy of risk measurement models, The Journal of Derivatives, 3, 73-84.

상세보기
MacKenzie D and Spears T (2014). 'A device for being able to book P&L': The organizational embedding of the Gaussian copula, Social Studies of Science, 44, 418-440.

상세보기
Muller D and Czado C (2019). Selection of sparse vine copulas in high dimensions with the lasso, Statistics and Computing, 29, 269-287.

상세보기
Nagler T, Schepsmeier U, Stoeber J, Brechmann EC, Graeler B, and Erhardt T (2021). VineCopula: Statistical Inference of Vine Copulas, R package version 2.4.2.
Park S and Baek C (2014). On multivariate GARCH model selection based on risk management, Journal of the Korean Data and Information Science Society, 25, 1333-1343.

원문보기 상세보기
Ryan JA and Ulrich JM (2020). quantmod: Quantitative Financial Modelling Framework, R package version 0.4-16.
Sklar M (1959). Fonctions de repartition an dimensions et leurs marges, Publications de l'Institut Statistique de l'Universite de Paris, 8, 229-231.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

성근 바인 코풀라 모형을 이용한 고차원 금융 자료의 VaR 추정
Value at Risk calculation using sparse vine copula models 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

성근 바인 코풀라 모형을 이용한 고차원 금융 자료의 VaR 추정 Value at Risk calculation using sparse vine copula models 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

백창룡 (21)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

성근 바인 코풀라 모형을 이용한 고차원 금융 자료의 VaR 추정
Value at Risk calculation using sparse vine copula models 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)