The Gumbel Copula Method for Estimating Value at Risk: Evidence from Telecommunication Stocks in Indonesia during the COVID-19 Pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic has had a substantial and far-reaching impact on global economic growth, extending its effects to Indonesia as well. Various sectors have witnessed a decline in stock returns as a consequence. Interestingly, the telecommunications sector has bucked this trend by experiencing an increase in stock returns, defying the negative implications of the pandemic. The relationship between returns and risk is inherently intertwined, necessitating a meticulous risk assessment. In response to this need, the Value at Risk (VaR) method has emerged as a rapidly growing and widely adopted risk measurement tool. Among the techniques employed for VaR estimation, the Monte Carlo simulation stands out due to its flexibility and comprehensiveness in accommodating factors such as time variance, volatility, returns, fat tails, and extreme scenarios. The Gumbel copula method, known for its heightened sensitivity to high-risk events, is utilized for VaR estimation on abnormal stock returns. This study aims to quantify the Value at Risk by leveraging the estimated Gumbel copula parameter for the return on the shares of PT. Indosat Ooredoo Hutchison Tbk, and PT. Smartfren Telecom Tbk during the COVID-19 pandemic. At a 90% confidence level, the VaR is determined to be 7.6%. Notably, this estimate closely aligns with the actual values, underscoring the reliability of the VaR estimation conducted using the Gumbel copula parameter estimator. Therefore, this model serves as a robust reference, particularly suitable when dealing with investment return data that deviate from the normal distribution, while considering the unique stock return characteristics within each dataset.
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.
Comment cette classification a été obtenuedéplier
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».