PL EN


2017 | 1/2017 (66), t.2 | 107 – 124
Article title

Zmienność cen na globalnym rynku surowców a ryzyko banku

Content
Title variants
EN
Price Volatility in the Commodity Market and the Bank’s Risk
Languages of publication
PL EN
Abstracts
PL
W dotychczasowych badaniach zmienności na rynkach towarowych brano pod uwagę dynamikę zmienności cen wybranych towarów lub analizowano przenoszenie się w czasie zmienności z jednych towarów na inne. W tym celu wykorzystywano standardowe modele zmienności. Obecnie w ramach przeprowadzanych badań gromadzi się różnorodne charakterystyki zmienności towarów i ich grup w celu skompletowania metodycznego zestawu narzędzi o większej precyzji prognostycznej. Niestabilność cen na rynkach surowców istotnie wpływa na efektywność sfery realnej gospodarki. Surowce nie tylko są wykorzystane w przemyśle, ale też cieszą się dużym zainteresowaniem inwestorów w okresach dekoniunktury gospodarczej, będąc przedmiotem spekulacji. Można zatem stwierdzić, że oddziaływanie zmienności cen surowców na ryzyko banku opiera się na mechanizmie bezpośrednim (poprzez ryzyko rynkowe) i pośrednim (poprzez ryzyko kredytowe). W artykule zaprezentowano oba ujęcia, przy czym ryzyko rynkowe zostało metodycznie uwypuklone. Odpowiednie wyselekcjonowanie narzędzi prognozowania oraz zastosowanie właściwych instrumentów zabezpieczających to elementy skutecznej polityki zabezpieczeń ryzyka, które kształtują zarówno ryzyko rynkowe (oddziaływanie bezpośrednie), jak i ryzyko kredytowe banków (ujęcie pośrednie).
EN
Price volatility in raw material markets significantly affects the efficiency of real economy. Raw materials are not only used in the industry but are also very popular in periods of economic downturn. An appropriate prognosis of price volatility in these markets and their adequate security ensured by means of financial instruments can be a basis for avoiding many financial perturbations of enterprises, and consequently of financial institutions. Financial institutions, including banks, are exposed to credit and market risk, through the absorption of a part of market risk in a direct (investments in raw materials, transaction services) and indirect way (providing credit to entities in commodity markets). Selection of these prognosis tools as well as appropriate instruments securing prices, hence hedging the risk from the financial market, are elements of the risk hedging policy in the real sphere, which has an effect on the credit risk and investment. The aim of the article is the bank’s risk assessment in the context of price volatility in commodity markets. At the same time, the research problem was raised that refers to the way in which the variability of prices and rates of return in the commodity market is reflected in the level of the bank’s risk. An analysis of the asymmetry effect and long memory in the modelling and prognosis of conditional volatility and market risk on the commodity market was conducted in the article, taking petroleum as an example. GARCH and FIAPARCH models were used for that purpose. The analysis of the in-sample and out-of-sample prognosis showed that the variation of rates of return for oil is better described by a non-linear model of the variation using a long memory and asymmetry effect.
Year
Pages
107 – 124
Physical description
Dates
published
2017-05-30
Contributors
References
  • Arouri, M., Hammoudeh, S., Lahiani, A. i Nguyen, D.K. (2012). Long Memory and Structural Breaks in Modeling the Return and Volatility Dynamics of Precious Metals.
  • The Quarterly Review of Economics and Finance, 52(2), 207–218.
  • Arouri, M., Lahiani, A., Lévy, A. i Nguyen, D.K. (2012). Forecasting the Conditional Volatility of Oil Spot and Futures Prices with Structural Breaks and Long Memory Models. Energy Economics, 34(1), 283–293.
  • Bajgrowicz, P. i Scaillet, O. (2012). Technical Trading Revisited: Persistence Tests, Transaction Costs, and False Discoveries. Journal of Financial Economics, 106, 473–491.
  • Basel Committee on Banking Supervision. (2011). Basel Committee on Banking Supervision Revisions to the Basel II market risk framework. Bank for International Settlements.
  • Christoffersen, P.F. (2009). Value-at-Risk Models. W: T.G. Andersen, R.A. Davis, J.P. Kreiss i T. Mikosch (red), Handbook of Financial Time Series (s.753–766). Berlin Heidelberg: Springer-Verlag.
  • Escanciano, J.C. i Olmo, J. (2011). Robust Backtesting Tests for Value-at-risk Models. Journal of Financial Econometrics, 9(1), 132–161.
  • Giot, P. i Laurent, S. (2003). Value-at-Risk for Long and Short Trading Positions. Journal of Applied Econometrics, 18(6), 641–663.
  • Herskovic, B., Kelly, B., Hanno, L. i Van Nieuwerburgh, S.V. (2014). The Common Factor in Idiosyncratic Volatility: Quantitative Asset Pricing Implications. Chicago: University of Chicago.
  • Jajuga, K. (2000). Metody ekonometryczne i statystyczne w analizie rynku kapitałowego. Wrocław: Wydawnictwo Akademii Ekonomicznej we Wrocławiu.
  • Jajuga, K. (2016). Współczesne trendy i wyzwania w zarządzaniu ryzykiem finansowym – wprowadzenie. W: T. Czerwińska i K. Jajuga (red.), Ryzyko instytucji finansowych. Współczesne trendy i wyzwania. Warszawa: C.H. Beck.
  • Kang, S.H. i Yoon, S.-M. (2013). Modeling and Forecasting the Volatility of Petroleum Futures Prices. Energy Economics, 36, 354–362.
  • KNF. (2015a). Raport o sytuacji banków w 2014. Warszawa: Komisja Nadzoru Finansowego. Pozyskano z: https://www.knf.gov.pl/Images/RAPORT_O_SYTUACJI_BANKOW_2014_12_prezentacja_tcm75-41473.pdf (16.01.2017).
  • KNF. (2015b). Sytuacja banków w okresie I-IX 2015. Warszawa: Komisja Nadzoru Finansowego. Pozyskano z: https://www.knf.gov.pl/Images/RAPORT_O_SYTUACJI_BANKOW_III_2015_prezentacja_tcm75-43907.pdf (06.09.2016).
  • KNF. (2016). Sytuacja banków w okresie I-IX 2016. Warszawa: Komisja Nadzoru Finansowego. Pozyskano z: https://www.knf.gov.pl/Images/RAPORT_O_SYTUACJI_BANKOW_III_2016_prezentacja_8122016_tcm75-48813.pdf (16.01.2017).
  • Merrill, C., Nadauld, T., Stulz, R.M. i Sherlund, S.M. (2013). Why Were There Fire Sales of Mortgage-Backed Securities by Financial Institutions during the Financial Crisis? Columbus: Ohio State University.
  • O’Brien, J. i Berkowitz, J. (2006). Estimating Bank Trading Risk: A Factor Model Approach. W: M. Carey i R.M. Stulz (eds), The Risks of Financial Institutions. Chicago: University of Chicago Press.
  • Rossignolo, A.F., Fethi, M.D. i Shaban, M. (2013). Market Crises and Basel Capital Requirements: Could Basel III Have Been Different? Evidence from Portugal, Ireland, Greece and Spain (PIGS). Journal of Banking and Finance, 37(5).
  • Taylor, J.W. (2005). Generating Volatility Forecasts from Value at Risk Estimates. Management Science, 51, 712–725.
  • Wang, Y., Wu, C. i Wei, Y. (2011). Can GARCH-class Models Capture Long Memory in WTI Crude Oil Markets? Economic Modelling, 28, 921–927.
  • Wei, Y., Wang, Y. i Huang, D. (2010). Forecasting Crude Oil Market Volatility: Further Evidence Using GARCH-class Models. Energy Economics, 32(6), 1477-1484.
  • Wiatr M.S. (2011). Zarządzanie indywidualnym ryzykiem kredytowym. Elementy systemu. Warszawa: SGH.
  • Włodarczyk, B. (2014). Komu służy system finansowy – refleksja po światowym kryzysie gospodarczym. Journal of Management and Financial Sciences, Kolegium Zarządzania i Finansów SGH, (140).
  • Zaleska, M. (2016). Ryzyko bankowe – zmiany w sektorze bankowym Unii Europejskiej. W: T. Czerwińska i K. Jajuga (red.), Ryzyko instytucji finansowych. Współczesne trendy i wyzwania. Warszawa: C.H. Beck.
Document Type
Publication order reference
Identifiers
ISSN
1644-9584
YADDA identifier
bwmeta1.element.desklight-1c01d2a3-4eb8-4bb3-aee9-a9dc9d09cec0
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.