Portfolio risk and performance evaluation using a combination of GARCH and stochastic volatility models with constant and dynamic correlation structures
(2025) In Master's Theses in Mathematical Sciences FMSM01 20251Mathematical Statistics
- Abstract
- CCC and DCC are used to estimate the conditional correlation between a non-standard mix of GARCH, GARCH-M and a stochastic volatility model, all assuming Gaussian innovations. After demonstrating the theoretical soundness of this combination, a portfolio of ten assets with diverse return dynamics is constructed. Portfolio performance is evaluated using Value at risk, the Sharpe ratio, maximum drawdown and a diversification measure, then compared to the benchmark strategies - Equal Weights and Buy and Hold. The proposed models outperform the benchmarks across the selected performance metrics during validation, although, as expected, forecast accuracy declines with increasing distance into the out-of-sample period and fails to adapt to... (More)
- CCC and DCC are used to estimate the conditional correlation between a non-standard mix of GARCH, GARCH-M and a stochastic volatility model, all assuming Gaussian innovations. After demonstrating the theoretical soundness of this combination, a portfolio of ten assets with diverse return dynamics is constructed. Portfolio performance is evaluated using Value at risk, the Sharpe ratio, maximum drawdown and a diversification measure, then compared to the benchmark strategies - Equal Weights and Buy and Hold. The proposed models outperform the benchmarks across the selected performance metrics during validation, although, as expected, forecast accuracy declines with increasing distance into the out-of-sample period and fails to adapt to overall market trend shifts. (Less)
- Popular Abstract (Swedish)
- Sedan den första börsen öppnade 1602 i Amsterdam är drömmen för alla investerare att förutspå marknaden. Idag finns det en uppsjö av olika metoder för att ge ett hum om hur framtida marknader kan se ut. Är det möjligt att kombinera olika metoder för att skräddarsy en modell till just din portfölj?
Svaret är: ja, den kombination av modeller som använts fungerar bra i teorin och presterar även bra i praktiken. Tyvärr ger kombinationen av modeller vissa teoretiska svårigheter och ibland måste ett skohorn användas för att allt ska fungera som tänkt, vilket kan lämna lite plats för andra förändringar som man vill göra. Även om modellen fungerar bra, ska man inte bli lurad och tro att det alltid kommer vara så, vilket också tydligt kan ses i... (More) - Sedan den första börsen öppnade 1602 i Amsterdam är drömmen för alla investerare att förutspå marknaden. Idag finns det en uppsjö av olika metoder för att ge ett hum om hur framtida marknader kan se ut. Är det möjligt att kombinera olika metoder för att skräddarsy en modell till just din portfölj?
Svaret är: ja, den kombination av modeller som använts fungerar bra i teorin och presterar även bra i praktiken. Tyvärr ger kombinationen av modeller vissa teoretiska svårigheter och ibland måste ett skohorn användas för att allt ska fungera som tänkt, vilket kan lämna lite plats för andra förändringar som man vill göra. Även om modellen fungerar bra, ska man inte bli lurad och tro att det alltid kommer vara så, vilket också tydligt kan ses i resultatet. Marknaden beter sig inte alltid på samma sätt och modeller som en gång fungerade bra gör det inte för all framtid. Om du försöker förutspå vädret i början av året, tänker du: det verkar som det blir i snitt lite varmare varje dag! Fram till början av hösten fungerar modellen jättebra, men sen kommer kylan. Men om det inte är första gången du gjort mätningen, kanske du har en modell som passar när det blir kallt. Om du visste när du skulle byta, hade det varit möjligt att bättre förutspå vädret oavsett säsong. På samma sätt kräver ofta hög- och lågkonjunktur olika modeller, vilket överlämnas till läsaren att testa själv.
Oftast säger man att en tillgångs avkastning är helt slumpmässig från dag till dag, som att kasta en tärning, du vet inte vad resultatet är förrän det hänt. Men om du visste att just den här tärningen har lite större sannolikhet att visa ett visst nummer, över tid skulle du då få fler rätt gissningar än en person som inte hade den informationen. Volatilitet är ett mått på hur snabbt en tillgångs pris rör sig upp eller ner, under börskraschar är volatiliteten hög då alla priser rasar och om de studsar tillbaka är volatiliteten också hög, om det sker under en kort tid. Till skillnad från avkastning, finns ofta ett samband för volatilitet över tid som kan ge den extra information som behövs för en fördel på marknaden. Volatilitet har historiskt sett modellerats på två olika sätt: Som ett exakt värde eller slumpmässigt, vilket innebär att volatiliteten då också har en volatilitet! Eftersom alla modeller inte fungerar lika bra på alla tillgångar, kan det vara värdefullt att använda både exakt och slumpmässig volatilitet, beroende på vad som passar bäst.
Korrelation innebär hur sammankopplade två saker är. Närmare bestämt, längd och vikt är positivt korrelerat. Desto längre en person är, ju mer väger personen i snitt. Sömn och trötthet är negativt korrelerat, mer sömn innebär mindre trötthet! På samma sätt kan tillgångar vara korrelerade, om en går upp går en annan upp, om en går upp går en annan ner.
Genom att kombinera de två metoderna för volatilitet tillsammans med korrelation, har en portfölj skapats som utvärderats för att se om den slår vissa bastester. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9210889
- author
- Persson, Hampus LU
- supervisor
- organization
- course
- FMSM01 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- GARCH, stochastic volatility, correlation structures, forecasting, mean-variance optimization, portfolio evaluation
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMS-3540-2025
- ISSN
- 1404-6342
- other publication id
- 2025:E95
- language
- English
- id
- 9210889
- date added to LUP
- 2025-08-28 09:12:25
- date last changed
- 2025-08-28 09:12:25
@misc{9210889,
abstract = {{CCC and DCC are used to estimate the conditional correlation between a non-standard mix of GARCH, GARCH-M and a stochastic volatility model, all assuming Gaussian innovations. After demonstrating the theoretical soundness of this combination, a portfolio of ten assets with diverse return dynamics is constructed. Portfolio performance is evaluated using Value at risk, the Sharpe ratio, maximum drawdown and a diversification measure, then compared to the benchmark strategies - Equal Weights and Buy and Hold. The proposed models outperform the benchmarks across the selected performance metrics during validation, although, as expected, forecast accuracy declines with increasing distance into the out-of-sample period and fails to adapt to overall market trend shifts.}},
author = {{Persson, Hampus}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Portfolio risk and performance evaluation using a combination of GARCH and stochastic volatility models with constant and dynamic correlation structures}},
year = {{2025}},
}