Value-at-risk forecasting with the ARMA-GARCH family of models during the recent financial crisis

Abstract

The thesis evaluates several hundred one-day-ahead VaR forecasting models in the time period between the years 2004 and 2009 on data from six world stock indices - DJI, GSPC, IXIC, FTSE, GDAXI and N225. The models model mean using the AR and MA processes with up to two lags and variance with one of GARCH, EGARCH or TARCH processes with up to two lags. The models are estimated on the data from the in-sample period and their forecasting accuracy is evaluated on the out-of-sample data, which are more volatile. The main aim of the thesis is to test whether a model estimated on data with lower volatility can be used in periods with higher volatility. The evaluation is based on the conditional coverage test and is performed on each stock index separately. Unlike other works in this field of study, the thesis does not assume the log-returns to be normally distributed and does not explicitly select a particular conditional volatility process. Moreover, the thesis takes advantage of a less known conditional coverage framework for the measurement of forecasting accuracy.

Tato práce vyhodnocuje několik set modelů pro jednodenní předpověď VaR v období mezi roky 2004 až 2009 na datech ze šesti světových akciových indexů - DJI, GSPC, IXIC, FTSE, GDAXI a N225. Modely jsou založené na AR a MA procesech s maximálně dvěma předešlými pozorováními a zároveň modelují podmíněnou volatilitu pomocí jednoho z GARCH, EGARCH a TARCH procesů rovněž s maximálně dvěma předešlými pozorováními. Parametry modelů jsou odhadnuty na datech z prvního období a jejich odhadovací přesnost je otestována na datech z druhého období, které vykazuje podstatně větší volatilitu. Hlavním cílem práce je otestovat, zda modely s parametry odhadnutými v období menší volatility mohou být použity i v období s větší volatilitou. Vyhodnocení je založeno na conditional coverage testu a je provedeno pro každý index zvlášť. Na rozdíl od jiných prací zabývajících se tímto tématem, tato práce nepředpokládá normální rozdělení logaritmovaných výnosů a neomezuje se na jeden předem vybraný proces pro modelování podmíněně volatility. Tato práce navíc využívá měně známý aparát, tzv. conditional coverage, pro vyhodnocení přesnosti odhadu modelů, který oproti standardním metodám nabízí několik výhod.