Empirical study of value‐at‐risk and expected shortfall models with heavy tails
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper aims to test empirically the performance of different models in measuring VaR and ES in the presence of heavy tails in returns using historical data. Design/methodology/approach Daily returns of popular indices (S&P500, DAX, CAC, Nikkei, TSE, and FTSE) and currencies (US dollar vs Euro, Yen, Pound, and Canadian dollar) for over ten years are modeled with empirical (or historical), Gaussian, Generalized Pareto (peak over threshold (POT) technique of extreme value theory (EVT)) and Stable Paretian distribution (both symmetric and non‐symmetric). Experimentation on different factors that affect modeling, e.g. rolling window size and confidence level, has been conducted. Findings In estimating VaR, the results show that models that capture rare events can predict risk more accurately than non‐fat‐tailed models. For ES estimation, the historical model (as expected) and POT method are proved to give more accurate estimations. Gaussian model underestimates ES, while Stable Paretian framework overestimates ES. Practical implications Research findings are useful to investors and the way they perceive market risk, risk managers and the way they measure risk and calibrate their models, e.g. shortcomings of VaR, and regulators in central banks. Originality/value A comparative, thorough empirical study on a number of financial time series (currencies, indices) that aims to reveal the pros and cons of Gaussian versus fat‐tailed models and Stable Paretian versus EVT, in estimating two popular risk measures (VaR and ES), in the presence of extreme events. The effects of model assumptions on different parameters have also been studied in the paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle