Extreme value theory: Empirical analysis of tail behaviour of GARCH models

Abstract

Tato práce zkoumá schopnosti modelů z GARCH rodiny zachytit charakteristiky chvostů pomocí Monte Carlo simulace v rámci Podmíněné Teorie Extrémních Hod- not. Analýza je provedena pro tři modely GARCH typu: GARCH, EGARCH, GJR-GARCH, s použitím Normálního a následně i Studentova t rozdělení inovací GARCH modelu na čtyřech známých akciových indexech: S&P 500, FTSE 100, DAX a Nikkei 225. Po provedení 3000 simulací každého odhadnutého modelu jsou spočítány Hillovi odhady tvarového parametru limitní distribuce extrémních hodnot implikovaných GARCH modely a následně jsou zhodnoceny jejich výsledky na zák- ladě histogramů, deskriptivních statistik a odmocniny střední čtvercové odchylky simulovaných Hillových odhadů. Zjistili jsme, že Normální rozdělení není schopné zachytit chvostové charakter- istiky. Přestože jsou výsledky modelů se Studentovým rozdělením inovací velmi podobné, GJR-GARCH model je ohodnocen jako nejlepší model v naší analýze. Navíc, vztah mezi vzhledem Q-Q plotu a výsledky simulace je naznačen, a pod- porován všemi indexy až na DAX index. Tato anomálie je dále zkoumána, společně se špatnými výsledky simulace DAX asymetrickými modely. Přestože Hillův odhad je vypočítáván jen z několika nejnižších řádových statistik, u DAXu se ukazuje, že i horní kvantily hrají roli a mohou rozhodit...

This thesis investigates the capability of GARCH-family models to capture the tail properties using Monte Carlo simulation in framework of Conditional Extreme Value Theory. Analysis is carried out for three different GARCH-type models: GARCH, EGARCH, GJR-GARCH using Normal and Student's t-distributed innovations on four well-known stock market indices: S&P 500, FTSE 100, DAX and Nikkei 225. After conducting 3000 simulations of every estimated model, the Hill estimate of shape parameter implied by the GARCH-type models will be calculated and the models' performance will be assessed based on histograms, descriptive statistics and Root Mean Squared Error of simulated Hill estimates. Interesting results and im- plications for further research have been identified. Firstly, we highlight the Normal distribution's inappropriate nature in this case and its inability to capture the tail properties. Furthermore, GJR-GARCHT with t-distributed innovations is identified to be the best model, closely followed by other t-distributed GARCH-type models. Finally, a pattern in all Q-Q plots forecasting the simulation study results is appar- ent, with the exception of the DAX. This anomalous behaviour therefore necessitated further analysis and a significant right tail influence was recorded. Even though Hill estimates...