توضیح: این فایل حاوی مقاله انگلیسی به همراه ترجمه در رابطه با پیش بینی ریسک بازار می باشد که در ژورنال Journal of Risk Finance ور در سال 2013 به چاپ رسیده است. در ادامه می توانید چکیده انگلیسی به همراه ترجمه فارسی آن را ملاحظه کنید.
Abstract
Purpose – The paper aims to model multiple-period market risk forecasts under long memory persistence in market volatility
Design/methodology/approach – The paper proposes volatility forecasts based on a combination of the GARCH(1,1)-model with potentially fat-tailed and skewed innovations and a long memory specification of the slowly declining influence of past volatility shocks. As the square-root-of-time rule is known to be mis-specified, the GARCH setting of Drost and Nijman is used as benchmark model. The empirical study of equity market risk is based on daily returns during the period January 1975 to December 2010. The out-of-sample accuracy of VaR predictions is studied for 5, 10, 20 and 60 trading days
Findings – The long memory scaling approach remarkably improves VaR forecasts for the longer horizons. This result is only in part due to higher predicted risk levels. Ex post calibration to equal unconditional VaR levels illustrates that the approach also enhances efficiency in allocating VaR capital through time
Practical implications – The improved VaR forecasts show that one should account for long memory when calibrating risk models
Originality/value – The paper models single-period returns rather than choosing the simpler approach of modeling lower-frequency multiple-period returns for long-run volatility forecasting. The approach considers long memory in volatility and has two main advantages: it yields a consistent set of volatility predictions for various horizons and VaR forecasting accuracy is improved
چکیده
هدف - هدف از ارائه این مقاله برای مدل کردن پیش بینی های ریسک بازار چند سری، تحت پایداری حافظه بلند مدت در نوسانات بازار می باشد.
طراحی - روش شناسی – رویکرد: در این مقاله پیش بینی نوسانات ریسک بازار بر اساس ترکیبی از مدل-(گارچ GARCH 1،1) با نوآوری های به طور بالقوه دمب چاق(دامنه) و نامتوازن و مشخصات حافظه بلند مدت از نفوذ کم کم رو به کاهش شوک های نوسانات گذشته،پیشنهاد می شود، و به عنوان قاعده ریشه توان دوم سری زمانی که به اشتباه مشخص شده، شناخته شده می باشد.تهیه و تنظیم مدل گارچ توسط Drost و Nijman به عنوان مدل معیار مورد استفاده قرارمی گیرد. در این مطالعه تجربی ، ریسک بازار سهام مبتنی بر بازده داده های روزانه طی سری زمانی ژانویه 1975 تا دسامبر 2010می باشد. نمونه خارج از دقت و صحت از پیش بینی های VAR برای معاملات 5، 10، 20 و 60 روزه ، مورد مطالعه قرار می گیرد.
یافته ها: رویکرد مقیاس گذاری حافظه بلند مدت بطور قابل ملاحظه ای پیش بینی VAR را برای افق دید(افق فکری) طولانی تری بهبود می بخشد. این نتیجه تنها در بخشی به علت سطوح خطر بالاتر پیش بینی شده است .
مفاهیم عملی: پیش بینی های بهبود یافته VAR نشان می دهد که یک نفر باید در بلند مدت هنگام کالیبره نمودن مدل های ریسک حساب پس دهد.(محاسبه نماید). دراین مقاله مدل های بازده تک زمانی به جای انتخاب ساده تر روش مدل سازی با فرکانس پایین تر، بازده چندسری زمانی برای پیش بینی نوسانات درحافظه بلند مدت می باشد. روش حافظه بلند مدت نوسانات رادر نظر می گیردودارای دو مزیت اصلی می باشد.