Advanced

Volatilitetsprediktering och beräkning av Value at Risk med hjälp av FIGARCH

Mörée, Felix LU (2016) NEKH01 20152
Department of Economics
Abstract (Swedish)
En av typegenskaperna för finansiell data är dess långa minne och för att modellera detta är Fractionally Integrated GARCH (FIGARCH) en möjlighet. Denna rapport låter FIGARCH jämföra sig med GARCH, IGARCH och EGARCH för volatilitetsprediktering på två index med olika långt minne. Både hur väl olika modeller passar data och hur väl de predikterar out-of-sample value at risk (VaR) studeras. Som test används AIC och BIC för goodness of fit samt Kupiec-test för backtesting.

Resultaten visade att parametern för långt minne var signifikant för båda index. Dock så visade VaR-skattningarna att FIGARCH passar bättre för att modellera index med långt minne och med symmetrisk fördelning av avkastningen. För volatilare index med kortare minne och... (More)
En av typegenskaperna för finansiell data är dess långa minne och för att modellera detta är Fractionally Integrated GARCH (FIGARCH) en möjlighet. Denna rapport låter FIGARCH jämföra sig med GARCH, IGARCH och EGARCH för volatilitetsprediktering på två index med olika långt minne. Både hur väl olika modeller passar data och hur väl de predikterar out-of-sample value at risk (VaR) studeras. Som test används AIC och BIC för goodness of fit samt Kupiec-test för backtesting.

Resultaten visade att parametern för långt minne var signifikant för båda index. Dock så visade VaR-skattningarna att FIGARCH passar bättre för att modellera index med långt minne och med symmetrisk fördelning av avkastningen. För volatilare index med kortare minne och asymmetriskt fördelad avkastning så presterar modeller med kort minne bättre. Rangordningen av modellerna blev att för index med långt minne så presterade samtliga modeller likvärdigt medan i fallet med det kortare minnet så var det tydligt att den asymmetriska modellen EGARCH var klart bäst. (Less)
Please use this url to cite or link to this publication:
author
Mörée, Felix LU
supervisor
organization
course
NEKH01 20152
year
type
M2 - Bachelor Degree
subject
keywords
FIGARCH, GARCH, Value at Risk, Long-memory
language
Swedish
id
8603664
date added to LUP
2016-02-11 15:02:33
date last changed
2016-02-11 15:02:33
@misc{8603664,
  abstract     = {En av typegenskaperna för finansiell data är dess långa minne och för att modellera detta är Fractionally Integrated GARCH (FIGARCH) en möjlighet. Denna rapport låter FIGARCH jämföra sig med GARCH, IGARCH och EGARCH för volatilitetsprediktering på två index med olika långt minne. Både hur väl olika modeller passar data och hur väl de predikterar out-of-sample value at risk (VaR) studeras. Som test används AIC och BIC för goodness of fit samt Kupiec-test för backtesting.
 
Resultaten visade att parametern för långt minne var signifikant för båda index. Dock så visade VaR-skattningarna att FIGARCH passar bättre för att modellera index med långt minne och med symmetrisk fördelning av avkastningen. För volatilare index med kortare minne och asymmetriskt fördelad avkastning så presterar modeller med kort minne bättre. Rangordningen av modellerna blev att för index med långt minne så presterade samtliga modeller likvärdigt medan i fallet med det kortare minnet så var det tydligt att den asymmetriska modellen EGARCH var klart bäst.},
  author       = {Mörée, Felix},
  keyword      = {FIGARCH,GARCH,Value at Risk,Long-memory},
  language     = {swe},
  note         = {Student Paper},
  title        = {Volatilitetsprediktering och beräkning av Value at Risk med hjälp av FIGARCH},
  year         = {2016},
}