Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 5

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  metals market
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Estimation of Value-at-Risk using Weibull distribution - portfolio analysis on the precious metals market

100%
Krężołek D.
Przegląd Statystyczny
|
2021
|
vol. 68
|
issue 2
38-52
EN
In this paper, we present a modification of the Weibull distribution for the Value-atRisk (VaR) estimation of investment portfolios on the precious metals market. The reason for using the Weibull distribution is the similarity of its shape to that of empirical distributions of metals returns. These distributions are unimodal, leptokurtic and have heavy tails. A portfolio analysis is carried out based on daily log-returns of four precious metals quoted on the London Metal Exchange: gold, silver, platinum and palladium. The estimates of VaR calculated using GARCH-type models with non-classical error distributions are compared with the empirical estimates. The preliminary analysis proves that using conditional models based on the modified Weibull distribution to forecast values of VaR is fully justified.
2
Publication available in full text mode
Content available

Risk management on the metals market

72%
Krężołek D., Trzpiot G.
Econometrics. Ekonometria. Advances in Applied Data Analytics
|
2020
|
issue vol. 24, nr 2
86-97
EN
The purpose of this paper is to attempt to classify risk which can be observed when one deals with data from the metals market. Usually the general definition of risk includes two dimensions. The first one is the probability of occurrence and the second one are the associated consequences of a set of hazardous scenarios. In this research the authors try to add a new dimension: the source of risk, which can be defined in terms of the level of turnover (volatility of volume) and price (volatility of returns). One can categorize risks in terms of multidimensional ranking based on a comparative evaluation of the consequences, probability, and source of a given risk. Another dimension is the chosen risk measures, in the meaning of the risk model. In risk analysis, some selected quantile risk measures were proposed: VaR, Expected Shortfall, Median Shortfall and GlueVaR. The empirical part presents a multidimensional risk analysis of the metal market.
PL
Celem opracowania jest próba klasyfikacji ryzyka, które można zaobserwować, gdy mamy do czynienia z danymi z rynku metali. Ogólna definicja ryzyka obejmuje dwa wymiary: prawdopodobieństwo wystąpienia zdarzenia ryzykownego i związane z nim konsekwencje zestawu niebezpiecznych scenariuszy. W niniejszym badaniu staramy się dodać nowy wymiar: źródło ryzyka, które można zdefiniować w kategoriach poziomu obrotu (zmienność wolumenu) oraz ceny (zmienność stóp zwrotu). Ryzyko możemy kategoryzować według wielowymiarowego rankingu, na podstawie porównawczej oceny konsekwencji, prawdopodobieństwa i źródła danego ryzyka. Inny wymiar to wybrane miary ryzyka w rozumieniu modelu ryzyka. W analizie ryzyka wykorzystano wybrane miary kwantylowe: VaR, Expected Shortfall, Median Shortfall oraz GlueVaR. W części empirycznej przedstawiamy analizę ryzyka w ujęciu wielowymiarowym przeprowadzoną na rynku metali.
3
Publication available in full text mode
Content available

ANALIZA PORÓWNAWCZA RYZYKA EKSTREMALNEGO NA RYNKACH METALI NIEŻELAZNYCH I SZLACHETNYCH

72%
Krężołek D.
Metody Ilościowe w Badaniach Ekonomicznych
|
2015
|
vol. 16
|
issue 3
202-213
PL
Przedmiotem artykułu jest prezentacja wyników pomiaru ryzyka powiązanego z ekstremalnymi zmianami stóp zwrotu wybranych metali nieżelaznych i szlachetnych. Przeprowadzono analizę porównawczą w kontekście podejmowanych działań inwestycyjnych. Wykorzystano mierniki ryzyka bazujące na obserwacjach w ogonach rozkładu, w tym mierniki kwantylowe. Zastosowano gruboogonowe rozkłady prawdopo-dobieństwa. Analiza wykazała istotne różnice w zmienności stóp zwrotu oraz poziomie ryzyka ekstremalnego pomiędzy badanymi grupami metali. Informacja ta może zostać efektywnie wykorzystana w konstrukcji zdywersyfikowanych portfeli inwestycyjnych oraz podejmowaniu decyzji związanych z zarządzaniem ryzykiem w obrębie zjawisk rzadkich.
EN
The purpose of this article is to present initial results obtained in analysis of extreme risk of returns related to investments in non-ferrous and precious metals. Comparison analysis refers to possible investment decisions. The methodology is based on events observed in tails of distributions, including quantile risk measures and so, the family of heavy-tailed distributions has been used. The analysis shows that exists significant discrepancy in volatility and extreme risks between these two groups of metals. This information may be useful in construction of diversified investment portfolios and decision making related to extreme events.
4
Content available remote

The Effectiveness of the GlueVaR Risk Measure on the Metals Market – the Application of Omega Performance Measure

58%
Krężołek D., Trzpiot G.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2017
|
vol. 5
|
issue 331
153-167
PL
Podejmowanie decyzji inwestycyjnych jest indywidualną kwestią każdego inwestora. Strategia, jaką przyjmuje, znajduje swoje odzwierciedlenie w poziomie akceptowalnego ryzyka. Niemniej jednak każdy z inwestorów dąży do minimalizacji dużych strat przy jednoczesnej maksymalizacji zysku. Istnieje wiele miar ryzyka, a każda z nich przekazuje inną informację. W artykule poddano ocenie efektywność dwóch nieklasycznych miar ryzyka: wskaźnika Omega oraz koherentnej miary GlueVaR. Cechą wspólną obu tych mierników jest konieczność ustalenia pewnego punktu progowego określającego, kiedy podjęta inwestycja rozumiana jest jako strata. Efektywność miar ryzyka przeanalizowano na przykładzie inwestycji podejmowanych na rynku metali.
EN
Decision‑making process is an individual matter for each investor and the strategy they choose, reflects the level of accepted risk. Nevertheless, any investor wants to minimize huge losses while maximizing profits. As far as the measure of risk is concerned, literature is full of examples of tools which help to evaluate the risk. However, the level of the risk usually differs, depending on circumstances. In this paper we present two non‑classical risk measures: Omega performance risk measure and GlueVaR risk measure. Both of them require a threshold to be set, which reflects the starting point for the investment to be considered as a loss. The effectiveness of the Omega and GlueVaR risk measures is compared using the example of metals market investments.
5
Content available remote

Selected GARCH‑type Models in the Metals Market – Backtesting of Value‑at‑Risk

58%
Krężołek D.
Acta Universitatis Lodziensis. Folia Oeconomica
|
2017
|
vol. 5
|
issue 331
185-203
PL
Analiza ryzyka na rynku finansowym wymaga poprawnej oceny zmienności zarówno cen, jak i stóp zwrotu interesujących inwestora aktywów. Szumy informacyjne, sytuacja gospodarcza oraz polityczna, a także zwykła spekulacja powodują istotne trudności w stawianiu trafnych prognoz. Z punktu widzenia inwestora kluczowym zagadnieniem jest minimalizacja ryzyka dużych strat. W artykule podjęto próbę zastosowania wybranych modeli zagnieżdżonych klasy ARMA‑GARCH oraz ARMA‑APARCH do oceny zmienności stóp zwrotu wybranych aktywów notowanych na rynku metali. Do oceny ryzyka inwestycji wykorzystano wartość zagrożoną VaR, natomiast jakość tej oceny z faktycznie zaobserwowanymi stratami zweryfikowano za pomocą wybranych testów przekroczeń.
EN
  Risk analysis in the financial market requires the correct evaluation of volatility in terms of both prices and asset returns. Disturbances in quality of information, the economic and political situation and investment speculations cause incredible difficulties in accurate forecasting. From the investor’s point of view, the key issue is to minimise the risk of huge losses. This article presents the results of using some selected GARCH‑type models, ARMA‑GARCH and ARMA‑APARCH, in evaluating volatility of asset returns in the metals market. To assess the level of risk, the Value‑at‑Risk measure is used. The comparison between real and estimated losses (in terms of VaR) is made using the backtesting procedure.  
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.