Value-at-Risk Estimation on Foreign Exchange Portfolio Using DCC Multivariate GARCH Model
Notice bibliographique
Résumé
本研究應用Engle（2002）提出之動態條件相（Dynamic Conditional Correlation，DCC）多變量GARCH模型去估計八國貨幣（歐元、英鎊、日圓、加拿大元、新台幣、韓元、新加坡元及澳元）所組成外匯投資組合的風險值。比較SMA、EWMA、CCC-GARCH及DCC-GARCH等四種模型在風險值之預測能力，在回溯測試採用Kupiec PF 檢定與RMSE資金運用效率之評估準則下，實證結果發現DCC-GARCH(1,1)-t模型因較能捕捉厚尾及波動群聚現象，其風險管理績效較為優異，故為估算外匯投資組合風險值的較佳選擇。 另八國匯率報酬率拒絕固定條件相關（Constant Conditional Correlation）之虛無假設，顯示國際匯率報酬率相關性並非固定，應適用動態相關係數之模型。本文亦發現八國匯市間之相關性及風險值會隨著波動性之提高而上升，說明國際匯市之波動性及相關係數為動態之時間序列，此可做為資產管理及投資組合分散風險之良好參考。 In this study, we apply the Dynamic Conditional Correlation (DCC) multivariate GARCH model, proposed by Engle (2002), to estimate Value-at-Risk (VaR) on foreign exchange portfolio composed of eight currencies including Euro, British pound, Japanese yen, Canadian dollar, Taiwan dollar, South Korea won, Singapore dollar and Australian dollar. By comparing the performance based on the Kupiec PF test in backtesting and RMSE for capital efficiency among SMA, EWMA, CCC-GARCH and DCC-GARCH models, we conclude that the DCC-GARCH(1,1)-t model, which accounts for characteristics of fat-tail and volatility clustering, is the better choice to compute VaR on foreign exchange portfolio. In addition, the returns of eight currencies lead to reject the null hypothesis of a constant conditional correlation, which reveals that the dynamic correlation model should be adopted. We also find that the correlation and VaR rise in periods when the conditional volatility of markets increases, implying that the volatility and correlation in international currency markets are dynamic time series. We could use such criterions as a good reference to allocate assets and diversify portfolio risk.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».