Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу
The paper proposes a new method of dynamic VaR and CVaR (ES) risk measures forecasting. Quantile linear GARCH model is chosen as the main forecasting model for time series quantiles. To build a forecast, the values of quantiles are approximated by the metalog distribution, which makes it possible to...
Gespeichert in:
| Datum: | 2021 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2021
|
| Schlagworte: | |
| Online Zugang: | http://journal.iasa.kpi.ua/article/view/236942 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
Institution
System research and information technologies| _version_ | 1856543526771228672 |
|---|---|
| author | Zrazhevsky, Grigoriy Zrazhevska, Vira |
| author_facet | Zrazhevsky, Grigoriy Zrazhevska, Vira |
| author_sort | Zrazhevsky, Grigoriy |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2021-07-13T11:01:37Z |
| description | The paper proposes a new method of dynamic VaR and CVaR (ES) risk measures forecasting. Quantile linear GARCH model is chosen as the main forecasting model for time series quantiles. To build a forecast, the values of quantiles are approximated by the metalog distribution, which makes it possible to use analytical formulas to evaluate risk measures. The method of VaR and CVaR forecasting is formulated as a step-by-step algorithm. At the first stage, an initial model is built to obtain variance estimates. The predicted variance values obtained from the constructed model are used at the second stage to find the QLGARCH model coefficients by solving the minimization problem. At the third stage, the QLGARCH models are estimated on a non uniform quantile grid. The obtained predicted values of quantiles are used to estimate the approximating metalog distribution. The investigated theory is applied to VaR and CVaR forecasting for time series of daily log return of the DJI index. |
| first_indexed | 2025-07-17T10:27:19Z |
| format | Article |
| id | journaliasakpiua-article-236942 |
| institution | System research and information technologies |
| language | English |
| last_indexed | 2025-07-17T10:27:19Z |
| publishDate | 2021 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2369422021-07-13T11:01:37Z Quintile regression based approach for dynamical VaR and CVaR forecasting using metalog distribution Прогнозирование динамических VaR и CVaR на основе квинтильной регрессии с использованием металог распределения Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу Zrazhevsky, Grigoriy Zrazhevska, Vira VaR CVaR Expected Shortfall dynamic risk measures forecast Quantile LGARCH model metalog distribution VaR CVaR Expected Shortfall динамические меры риска прогноз квантильная модель LGARCH распределение металог VaR CVaR Expected Shortfall динамічні міри ризику прогноз квантильна модель LGARCH розподіл металог The paper proposes a new method of dynamic VaR and CVaR (ES) risk measures forecasting. Quantile linear GARCH model is chosen as the main forecasting model for time series quantiles. To build a forecast, the values of quantiles are approximated by the metalog distribution, which makes it possible to use analytical formulas to evaluate risk measures. The method of VaR and CVaR forecasting is formulated as a step-by-step algorithm. At the first stage, an initial model is built to obtain variance estimates. The predicted variance values obtained from the constructed model are used at the second stage to find the QLGARCH model coefficients by solving the minimization problem. At the third stage, the QLGARCH models are estimated on a non uniform quantile grid. The obtained predicted values of quantiles are used to estimate the approximating metalog distribution. The investigated theory is applied to VaR and CVaR forecasting for time series of daily log return of the DJI index. Предложен новый метод динамического прогнозирования мер риска VaR и CVaR (ES). Квантильная линейная модель GARCH выбрана в качестве основной модели прогнозирования для квантилей временных рядов. Для построения прогноза значения квантилей аппроксимируются распределением металог, что позволяет использовать аналитические формулы для оценки мер риска. Методика прогнозирования VaR и CVaR сформулирована в виде пошагового алгоритма. На первом этапе строится исходная модель для получения оценок дисперсии. Полученные по модели значения дисперсии используются на втором этапе для нахождения коэффициентов модели QLGARCH путем решения задачи минимизации. На третьем этапе модели QLGARCH оцениваются на неоднородной квантильной сетке. Полученные прогнозные значения квантилей используются для оценки параметров распределения металог. Разработанный метод применен к прогнозированию VaR и CVaR для временного ряда логарифмической доходности индекса DJI. Запропоновано новий метод динамічного прогнозування мір ризику VaR і CVaR (ES). Як основна модель прогнозування для квантилів часових рядів обрано квантильну лінійну модель GARCH. Для побудови прогнозу значення квантилів апроксимуються розподілом металог, що дозволяє використовувати аналітичні формули для оцінювання мір ризику. Методику прогнозування VaR і CVaR сформульовано у вигляді покрокового алгоритму. На першому етапі будується вихідна модель для отримання оцінок дисперсії. Отримані за моделлю значення дисперсії використовуються на другому етапі для знаходження коефіцієнтів моделі QLGARCH шляхом розв’язання задачі мінімізації. На третьому етапі моделі QLGARCH оцінюються на неоднорідній квантильній сітці. Отримані прогнозні значення квантилів використовуються для оцінки параметрів розподілу металог. Розроблений метод застосовується до прогнозування VaR і CVaR для часового ряду логарифмічної дохідності індексу DJI. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021-07-13 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/236942 10.20535/SRIT.2308-8893.2021.1.12 System research and information technologies; No. 1 (2021); 139-150 Системные исследования и информационные технологии; № 1 (2021); 139-150 Системні дослідження та інформаційні технології; № 1 (2021); 139-150 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/236942/235501 |
| spellingShingle | VaR CVaR Expected Shortfall динамічні міри ризику прогноз квантильна модель LGARCH розподіл металог Zrazhevsky, Grigoriy Zrazhevska, Vira Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title | Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title_alt | Quintile regression based approach for dynamical VaR and CVaR forecasting using metalog distribution Прогнозирование динамических VaR и CVaR на основе квинтильной регрессии с использованием металог распределения |
| title_full | Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title_fullStr | Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title_full_unstemmed | Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title_short | Прогнозування динамічних VaR і CVaR на основі квінтильної регресії з використанням металог розподілу |
| title_sort | прогнозування динамічних var і cvar на основі квінтильної регресії з використанням металог розподілу |
| topic | VaR CVaR Expected Shortfall динамічні міри ризику прогноз квантильна модель LGARCH розподіл металог |
| topic_facet | VaR CVaR Expected Shortfall dynamic risk measures forecast Quantile LGARCH model metalog distribution VaR CVaR Expected Shortfall динамические меры риска прогноз квантильная модель LGARCH распределение металог VaR CVaR Expected Shortfall динамічні міри ризику прогноз квантильна модель LGARCH розподіл металог |
| url | http://journal.iasa.kpi.ua/article/view/236942 |
| work_keys_str_mv | AT zrazhevskygrigoriy quintileregressionbasedapproachfordynamicalvarandcvarforecastingusingmetalogdistribution AT zrazhevskavira quintileregressionbasedapproachfordynamicalvarandcvarforecastingusingmetalogdistribution AT zrazhevskygrigoriy prognozirovaniedinamičeskihvaricvarnaosnovekvintilʹnojregressiisispolʹzovaniemmetalograspredeleniâ AT zrazhevskavira prognozirovaniedinamičeskihvaricvarnaosnovekvintilʹnojregressiisispolʹzovaniemmetalograspredeleniâ AT zrazhevskygrigoriy prognozuvannâdinamíčnihvarícvarnaosnovíkvíntilʹnoíregresíízvikoristannâmmetalogrozpodílu AT zrazhevskavira prognozuvannâdinamíčnihvarícvarnaosnovíkvíntilʹnoíregresíízvikoristannâmmetalogrozpodílu |