PL EN


2017 | 3(87) |
Article title

Wykorzystanie modeli GARCH w analizie ryzyka finansowego spółek akcyjnych notowanych na GPW

Content
Title variants
PL
Financial Risk Analysis in Polish Stock Market Using GARCH Models
Languages of publication
Abstracts
PL
Celem niniejszego artykułu jest odpowiedź na pytanie, czy możliwe jest skuteczne prognozowanie wartości ryzyka rynkowego w warunkach polskiego rynku kapitałowego. Do analizy tego zagadnienia wykorzystano szeregi dziennych stóp zwrotu spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie w latach 2000-2015. W części badawczej pracy przyjęto założenie, iż analizowane szeregi czasowe są realizacją procesu GARCH, co pozwoliło na modelowanie charakterystycznych właściwości spotykanych w empirycznych szeregach czasowych stóp zwrotu akcji giełdowych. Pomiaru ryzyka dokonano posługując się popularnymi miarami zagrożenia. Została również podjęta próba wyboru optymalnej spośród najpopularniejszych metod estymacji ryzyka.
EN
The aim of this paper is to investigate whether it is possible to successfully forecast market risk in the Polish capital market. To answer this question, daily time series of the stock prices listed on the Warsaw Stock Exchange between 2000-2015 are analysed. In the research part of the paper, it is assumed that the analysed time series are the realisation of the GARCH process, which allows the author to model the characteristic properties among the empirical data. The risk is assessed with the use of popular quantile risk measures. Additionally, an attempt is made to establish the optimal method of risk estimation.
Publisher

Year
Volume
Physical description
Dates
published
2017
Contributors
References
  • Acerbi C., 2002, Risk Aversion and Coherent Risk Measures: A Spectral Representation Theorem, “Journal of Banking and Finance”, no. 7.
  • Andersen T. G., Davis R. A., Kreiß J.-P., Mikosch T., 2009, Handbook of Financial Time Series, Springer, Berlin.
  • Ardia D., 2008, Financial Risk Management with Bayesian Estimation of GARCH Models: Theory and Applications, Springer, Berlin.
  • Ardia D., Hoogerheide L. F., 2014, GARCH models for daily stock returns: Impact of estimation frequency on Value-at-Risk and Expected Shortfall forecasts, “Economic Letters”, vol. 123, iss. 2.
  • Asteriou D., Hall S., G., 2007, Applied Econometrics: A modern Approach using EViews and Microfit Revised Edition, MacMillan, Palgrave.
  • Basel Committee on Banking Supervision, 1995, An international model-based approach to market risk capital requirements, Bank for International Settlements, http://www.bis.org/publ/bcbs17.pdf (data wejścia: 04.07.2017).
  • Basel Committee on Banking Supervision, 2013, Consultative Document: Fundamental review of the trading book: A revised market risk framework, Bank for International Settlements, http://www.bis.org/publ/bcbs265.pdf (data wejścia: 04.07.2017).
  • Best P., 2000, Wartość narażona na ryzyko: obliczanie i wdrażanie modelu VaR, Oficyna Ekonomiczna, Kraków.
  • Bollerslev T., 1986, Generalized Autoregressive Conditional Heteroscedasticity, “Journal of Econometrics”, no. 31.
  • Bonferroni C.E., 1936, Teoria statistica delle classi a calcolo delle probabilita, “Pubblicazioni del R Istituto Superiore di Scienze Economiche e Commerciali di Firenze”.
  • Deacle S., Elyasiani E., 2014, Real estate investment by Bank Holding Companies and their risk and return: nonparametric and GARCH procedures, “Applied Financial Economics”, vol. 24, no. 13.
  • Doman M., Doman R., 2004, Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań.
  • Doman M., Doman R., 2009, Modelowanie zmienności i ryzyka: metody ekonometrii finansowej, Wolters, Kraków.
  • Engle R. F., 1982, Autoregressive Conditional Heteroscedasticity with Estimates of Variance of the United Kingdom Inflation, “Econometrica”, no. 50.
  • Föllmer H., Shied A., 2002, Convex Measures of Risk and Trading Constraints, “Finance Stoch”, no. 6(4).
  • Furió D., Climent F. J., 2013, Extreme value theory versus traditional GARCH approaches applied to financial data: a comparative evaluation, “Quantitive Finance”, vol. 13, no. 1.
  • Fritelli M., Rosazza G.E., 2002, Putting Order in Risk Measures, “Journal of Banking and Finance”, no. 26(7).
  • Gouriéroux C., 1997, ARCH Models and Financial Applications, Springer, New York.
  • J.P Morgan/Reuters, 1996, RiskMetrics – Technical Document, https://www.msci.com/documents/10199/5915b101-4206-4ba0-aee2-3449d5c7e95a (data wejścia: 04.07.2017).
  • Melle A., Fornari F., 2000, Stochastic Volatility in Financial Markets: Crossing the bridge to continuous time, Springer Science + Business Media, miejsce?.
  • Mayers R., A., 2009, Complex Systems in Finance and Econometrics, Springer, New York.
  • Ng H., Lam K., 2006, How does Sample Size Affect GARCH Models?, “Information Sciences 2006”, Kaohsiung.
  • Fiszeder P., 2009, Modele klasy GARCH w empirycznych badaniach finansowych, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, Toruń.
  • Francq C., Zakoïan J., 2010, GARCH Models: Structure, Statistical Inference and Financial Applications, WILEY, Hoboken.
  • Hossain A., Nasser M., 2011, Comparison of the finite mixture of ARMA-GARCH, back propagation neural networks and support-vector machines in forecasting financial returns, “Journal of Applied Statistics”, vol. 38, no. 3.
  • Jajuga K., Jajuga T., 2004, Inwestycje: instrumenty finansowe, ryzyko finansowe, inżynieria finansowa, Wydawnictwo Naukowe PWN, Warszawa.
  • Kou S., Peng X., Heyde C., 2013, External Risk Measures and Basel Accords, “Mathematics of Operations Research”, vol. 38, no. 3.
  • Kupiec P., 1995, Techniques for Verifying the Accuracy of Risk Management Models, “Journal of Derivatives”, no. 2.
  • Lama A., Jha G. K., Paul R. K., Gurung B., 2015, Modelling and Forecasting of Price Volatility: An Application of GARCH and EGARCH Models, “Agricultural Economics Research Review”, vol. 28 (no. 1).
  • McLeod A.I., Li W.K., 1983, Diagnostic Checking ARMA Time Series Model Using Squared Residual Autocorrelations, “Journal of Time Series Analysis, no. 4.
  • Markowitz H., 1952, Portfolio Selection, ”The Journal of Finance, vol. 7, no. 1.
  • Nadarajah, S., Zhang, B., & Chan, S., 2014, Estimation methods for expected shortfall, “Quantitative Finance, no. 14(2).
  • Nyblom J., 1989, Testing for the Constancy of Parameters over Time, “Journal of the Statistical Society B 54”.
  • Osińska M., 2006, Ekonometria finansowa, Polskie Wydawnictwo Ekonomiczne, Warszawa.
  • Pajor A., 2003, Procesy zmienności stochastycznej SV w bayesowskiej analizie finansowych szeregów czasowych, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
  • Pajor A., 2010, Wielowymiarowe procesy wariancji stochastycznej w ekonometrii finansowej, Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie, Kraków.
  • Pascual L., Romo J., Ruiz E., 2006, Bootstrap prediction for returns and volatilities in GARCH models, “Computational Statistics and Data Analysis”, vol. 50, no. 9.
  • Piontek K., 2001, Heteroskedastyczność rozkładu stop zwrotu a koncepcja pomiaru ryzyka metodą VaR, „Modelowanie preferencji a ryzyko”, Ustroń.
  • Piontek K., 2002, Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z „grubymi ogonami, „Materiały Konferencyjne Uniwersytetu Szczecińskiego część II”, Międzyzdroje.
  • Piontek K., 2004, Zastosowanie modeli klasy ARCH do opisu własności szeregu stóp zwrotu indeksu WIG, ”Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1021”, Wrocław.
  • Shimizu K., 2010, Bootstrapping Stationary ARMA-GARCH Models, “Vieweg+Teubner”, Wiesbaden.
  • Smolović J.C., Lipovina-Božović, M., Vujošević S., 2017, GARCH models in value at risk estimation: empirical evidence from the Montenegrin stock exchange, ”Economic Research-Ekonomska Istraživanja”.
  • Szegö G., 2002, Measures of risk, ”Journal of Banking & finance 26”, Italy.
  • Taylor S.J., 1986, Modelling financial time series, Chichester, New York.
  • Trzpiot G., 2004, O wybranych własnościach miar ryzyka, „Badania Operacyjne i Decyzje, nr 3-4, Katowice.
  • Trzpiot G., 2012, O własnościach transformujących miar ryzyka, „Analiza Szeregów Czasowych a Statystyczny Pomiar Ryzyka”, Zeszyty Naukowe Wydziałowe Uniwersytetu Ekonomicznego w Katowicach, Katowice.
  • Trzpiot G., 2014, Optymalizacja portfela z wykorzystaniem koherentnych transformujących miar ryzyka, „Studia Ekonomiczne”, nr 208.
  • Tsay R., 2005, Analysis of Financial Time Series, Willey, Hoboken.
  • Wang S.S., 2002, A Risk a Measure that Goes beyond Coherence, “Actuarial Approach to Financial Risks”, Colloquium.
  • Wang Y.-J., Chung H., Guo J.-H., 2012, A value-at-risk analysis of carry trades using skew-GARCH models, “Studies in Nonlinear Dynamics and Econometrics”, vol. 17, no. 4.
  • Zhu D., Galbraith J. W., 2011, Modelling and forecasting expected shortfall with the generalized asymmetric Student-t and symmetric exponential power distributions, “Journal of Empirical Finance”, vol. 18, Issue 4.
Document Type
Publication order reference
Identifiers
URI
http://hdl.handle.net/11320/6047
YADDA identifier
bwmeta1.element.hdl_11320_6047
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.