Prognozowanie VaR zastosowanie wielorównaniowych modeli GARCH 1

Transkrypt

1 Wydawnictwo Uniwersytetu Gdańskiego, po recenzji Piotr Fiszeder * Prognozowanie VaR zastosowanie wielorównaniowych modeli GARCH 1 Wstęp Value at Risk to najczęściej stosowana przez instytucje finansowe miara zagrożenia. Z uwagi na łatwość konstrukcji najbardziej popularnymi metodami szacowania VaR są metoda wariancji-kowariancji oraz symulacja historyczna. Niestety założenia, na których opierają się te metody nie są na ogół spełnione w przypadku finansowych szeregów czasowych. Z tego względu powstało wiele alternatywnych metod estymacji VaR, wśród których często stosowaną metodą jest modelowanie warunkowej średniej i wariancji z zastosowaniem modeli GARCH do opisu wariancji. Wartość zagrożoną można wyznaczyć dla pojedynczych aktywów, ale na ogół głównym celem jest estymacja VaR dla portfela aktywów. Literatura dotycząca zastosowania modeli GARCH do szacowania VaR jest bardzo bogata, jednakże zdecydowana większość prac dotyczy pojedynczych instrumentów finansowych. Jest bardzo mało analiz, w których ocenia się trafność prognoz VaR konstruowanych z zastosowaniem wielorównaniowych modeli GARCH dla większej liczby aktywów. Z tego względu głównym celem artykułu jest ocena skuteczności prognoz wartości narażonej na ryzyko konstruowanych na podstawie wielorównaniowych modeli GARCH. Układ artykułu jest następujący. Część pierwsza zawiera krótki opis stosowanych w badaniu metod prognozowania VaR oraz metod oceny trafności prognoz. W części drugiej przeprowadzono analizę skuteczności prognoz VaR dla portfela dwudziestu spółek notowanych na GPW w Warszawie. Artykuł kończy podsumowanie. 1. Metody prognozowania VaR oraz metody oceny skuteczności prognoz Przeprowadzono wiele badań dotyczących oceny trafności prognoz VaR dla pojedynczych aktywów, w tym również dotyczących polskiego rynku finansowego, np. [Łach i Weron, 2000], [Piontek, 2002], [Rokita, 2003], [Doman i Doman, 2004], [Pipień, 2006]. Podejście do szacowania VaR z zastosowaniem wielorównaniowych modeli GARCH polega na estymacji parametrów wielorównaniowego modelu * Doktor, Katedra Ekonometrii i Statystyki, WNEiZ, UMK w Toruniu, piter@uni.torun.pl. 1 Praca naukowa finansowana ze środków na naukę w latach , projekt badawczy nr 1- H02B

2 2 Fiszeder Piotr GARCH na podstawie stóp zwrotu aktywów wchodzących w skład portfela. Przy wyznaczaniu VaR wykorzystuje się warunkową macierz kowariancji stóp zwrotu. Jeżeli udziały w portfelu ulegają zmianie, to nie jest konieczna ponowna estymacja całego modelu. Z uwagi na dużą liczbę aktywów znajdujących się w większości portfeli instytucji finansowych stosuje się albo uproszczone postacie wielorównaniowych modeli GARCH albo parametryzacje, które można estymować w dwóch lub trzech krokach z wykorzystaniem modeli jednorównaniowych. Na przykład zakładając, że warunkowy rozkład stóp zwrotu jest wielowymiarowym rozkładem normalnym oraz dane są proste stopy zwrotu absolutną wartość zagrożoną można wyznaczyć na podstawie formuły: VaR p W0 ( ' ytp z ' HTp ), (1) gdzie W 0 to obecna wartość portfela instrumentów, to wektor udziałów poszczególnych walorów w portfelu o wymiarach N 1, z - kwantyl odpowiadający prawdopodobieństwu dla standaryzowanego rozkładu normalnego, y Tp jest to wektor prognoz warunkowych wartości oczekiwanych stóp zwrotu o wymiarach N 1, H Tp to prognoza warunkowej macierzy kowariancji stóp zwrotu. W badaniu zastosowano osiem specyfikacji wielorównaniowego modelu GARCH: model stałych warunkowych współczynników korelacji [Bollerslev, 1990], model skalarno-diagonalny, patrz [Engle i Mezrich, 1996] oraz [Ding i Engle, 2001], model skalarno-diagonalny z warunkowym rozkładem t-studenta, model zintegrowany, patrz [Engle i Mezrich, 1996] oraz [Ding i Engle, 2001] 2, model ortogonalny [Alexander i Chibumba, 1996] dla trzech oraz dwudziestu czynników, model DCC oraz zintegrowany model DCC [Engle, 2002]. Rozważano również K-czynnikowy model GARCH [Engle, 1987] dla trzech czynników, jednakże w niektórych przypadkach nie udało się uzyskać szacunków parametrów zapewniających dodatniość wariancji portfela, dlatego pominięto go przy prezentacji wyników. Model ten plasował się na ostatnich pozycjach w rankingu według wszystkich przyjętych kryteriów oceny. Szacunki VaR uzyskane na podstawie K-czynnikowego modelu GARCH były znacząco niedoszacowane. W badaniu wykorzystano również jednorównaniowy model GARCH. Zastosowanie tego modelu polega na wyznaczeniu stóp zwrotu portfela (na podstawie przeszłych stóp zwrotu aktywów wchodzących w skład portfela i bieżących ich udziałów) i estymacji parametrów modelu jednorównaniowego na podstawie bezpośrednio stóp zwrotu portfela. Następnie do estymacji VaR wykorzystywane są prognozy wariancji warunkowej portfela, dokładnie tak samo jak w przypadku pojedynczych aktywów. Jeżeli udziały w portfelu ulegają zmianie, to stopy zwrotu portfela muszą być ponownie wyznaczone i parametry 2 Model skalarno-diagonalny i zintegrowany są uproszczonymi postaciami modelu BEKK. Dodatkowo przy estymacji ich parametrów zastosowano parametryzacje dla procesów kowariancyjnie stacjonarnych tzw. celowanie w wariancję [Engle i Mezrich, 1996].

3 Prognozowanie VaR Zastosowanie wielorównaniowych modeli GARCH 3 modelu muszą być na nowo oszacowane. Zastosowano jednorównaniowy model GARCH z warunkowym rozkładem normalnym oraz t-studenta. Dodatkowo zastosowano połączenie modelu GARCH z symulacją historyczną. Wyniki uzyskane dla modeli GARCH porównano z innymi metodami estymacji VaR: symulacją historyczną, metodą wariancji-kowariancji (bezwarunkowa macierz kowariancji, ruchoma macierz kowariancji ze stałą wygładzania równą 25 oraz model wyrównywania wykładniczego z parametrem wygasania równym 0,94 3 ). Łącznie daje to jedenaście różnych metod szacowania wartości narażonej na ryzyko z wykorzystaniem modeli GARCH oraz cztery dodatkowe metody. Analizę przeprowadzono zarówno w odniesieniu do inwestora posiadającego pozycję długą jak i krótką. Przyjęto najczęściej stosowane poziomy tolerancji 0,05 oraz 0,01. Dla każdej metody prognozowania VaR podano udziały przekroczeń VaR przez rzeczywiście zrealizowane straty, szacunki statystyk testu Kupca [Kupiec, 1995] dotyczące wielkości udziału przekroczeń jak i niezależności przekroczeń w czasie. Wyboru metody prognozowania VaR można również dokonać na podstawie określonych funkcji straty, jednakże w tym przypadku selekcja odpowiedniego kryterium jest sprawą subiektywną i zależy przede wszystkim od sposobu wykorzystywania VaR. W niniejszej pracy zaproponowano jako kryterium oceny miarę polegającą na modyfikacji sumy wymogów kapitałowych. Ustalanie wymogów kapitałowych jest jednym z podstawowych celów szacowania VaR. Wymóg kapitałowy z tytułu ryzyka rynkowego obliczony w oparciu o model wartości zagrożonej wyznacza się według następującej formuły: 60 1 MRCt Max k t VaR t-i, VaR t-1, (2) 60 i 1 gdzie współczynnik korygujący k t przyjmuje wartości z przedziału [ 3,4], VaR jest szacowany dla poziomu tolerancji 0,01 oraz przedziału czasowego 10 dni. W praktyce wymóg kapitałowy jest najczęściej równy średniej z szacunków VaR wyznaczonych w 60 poprzednich dniach roboczych pomnożonej przez współczynnik korygujący, ponieważ wartość VaR z poprzedniego dnia jest na ogół znacząco niższa. Wartość współczynnika korygującego ustalana jest na podstawie liczby przekroczeń jednodniowego VaR dla poprzedzających dany dzień 250 kolejnych dni roboczych (patrz tablica 1). Nie ma uzasadnienia statystycznego, dlaczego współczynnik k t powinien przyjmować takie a nie inne wartości. W przypadku czerwonej strefy instytucja może być zobowiązana do zmiany sposobu szacowania wartości narażonej na ryzyko. Tablica 1. Współczynnik korygujący do obliczania wymogów kapitałowych Strefa Zielona Żółta Czerwona Liczba do i więcej 3 Podejście oparte na modelu wyrównywania wykładniczego określane jest w literaturze finansowej jako metodologia RiskMetrics.

4 4 Fiszeder Piotr przekroczeń k t 3 3,4 3,5 3,65 3,75 3,85 4 Źródło: [Alexander, 2001]. Zaproponowana modyfikacja formuły na szacowanie wymogów kapitałowych polega na tym, że VaR zamiast dla przedziału czasowego 10 dni został oszacowany dla 1 dnia, a poziom tolerancji nie musi być równy 0,01. Jeżeli prognozy VaR konstruowane na podstawie dwóch różnych metod są trafne, to powinna zostać wybrana metoda, która daje niższy szacunek sumy wymogów kapitałowych. Oczywiście liczba przekroczeń VaR nie może być zbyt duża, bo inaczej instytucja będzie zobowiązana do zmiany sposobu szacowania VaR. Z tego względu oszacowano również udział dni, dla których współczynnik korygujący przyjmował wartość Prognozowanie VaR dla portfela akcji notowanych na GPW w Warszawie. Do analizy przyjęto dzienne stopy zwrotu od 4 stycznia 1999 r. do 30 czerwca 2006 r. (1880 obserwacji). Spośród spółek notowanych przez cały przyjęty okres na GPW w Warszawie wybrano dwadzieścia spółek o największej kapitalizacji: Bank BPH, Bank Millennium, Bank Pekao S.A., BRE Bank, Bank Zachodni WBK, Budimex, Cersanit, Citibank Handlowy, Computerland, Firma Oponiarska Dębica, ING Bank Śląski, Grupa Kęty, KGHM Polska Miedź, Kredyt Bank, Mondi Packaging Paper Świecie, Orbis, Polska Grupa Farmaceutyczna, Prokom Software, Softbank, Telekomunikacja Polska. Przy wyborze pominięto spółki, dla których udział liczby sesji, podczas których nie były notowane przekraczał 5%. Miało to na celu uniknięcie problemu niesynchronicznych transakcji (nonsynchronous trading lub non-trading). Na podstawie wybranych spółek skonstruowano portfel w ten sposób, że dla wszystkich okresów dla każdej spółki przyjęto równe wagi wynoszące 0,05. W badaniu przyjęto jednodniowy horyzont prognozy VaR. Po pierwsze, przy bieżącym zarządzaniu ryzykiem instytucje finansowe najczęściej wykorzystują dzienną wartość narażoną na ryzyko 4 5, po drugie, prognozy zmienności uzyskane na podstawie modeli GARCH są bardziej trafne w przypadku krótkiego horyzontu prognozy np. [West i Cho, 1995] oraz [Andersen i Bollerslev, 1998], w przeciwieństwie do długiego horyzontu, dla którego prognozy obliczone na podstawie innych modeli są często dokładniejsze. Dane z trzech pierwszych lat zostały wykorzystane jedynie przy estymacji modelu. Zaczynając od 31 grudnia 2001 r. na podstawie danych od początku 1999 r. szacowano parametry wszystkich rozważanych modeli. Na podstawie każdego modelu konstruowano prognozę wartości narażonej na ryzyko na następną sesję. Dla następnych okresów doda- 4 Nawet przy wyliczaniu wymogów kapitałowych, gdzie wykorzystuje się VaR dla okresu 10 dni, wartość współczynnika korygującego ustalana jest na podstawie analizy przekroczeń VaR dla danych dziennych. 5 VaR dla dłuższych okresów oblicza się często na podstawie VaR dziennego.

5 Prognozowanie VaR Zastosowanie wielorównaniowych modeli GARCH 5 wano kolejno jedną obserwację do danych, na podstawie których szacowano model i powtarzano całą procedurę aż do 29 czerwca 2006 r. Parametry każdego z zastosowanych w pracy modeli były szacowane 1131 razy. Porównując prognozy VaR z realizacjami stóp zwrotu dokonano oceny skuteczności dla okresu styczeń 2002 r. - czerwiec 2006 r. Uzyskane wyniki zostały przedstawione w tablicach 2-5. Tablica 2. Ocena jakości prognoz VaR dla pozycji długiej i poziomu tolerancji 0,05 Metody szacowania VaR Udział LR przekr. uc LR ind MRC Ranking Udział k=4 Stałych współczyn. korelacji 0,032 8,97* 75,24* 77, ,130 Skalarno-diagonalny 0,027 14,43* 79,40* 78, ,078 Skal.-diag. rozkład t-studenta 0,027 14,43* 79,40* 77, ,078 Zintegrowany 0,038 3,71 104,71* 72,48 2 0,266 Ortogonalny 3 czynniki 0,034 6,40* 64,15* 76,37 9 0,207 Ortogonalny 20 czynników 0,034 6,40* 64,15* 76,12 8 0,177 DCC 0,032 8,97* 75,24* 76, ,158 DCC zintegrowany 0,035 5,65* 87,74* 75,44 6 0,183 Symulacja historyczna 0,027 15,72* 100,50* 80, ,081 Wariancji-kowariancji 0,019 30,66* 79,89* 82, ,009 Ruch. macierz kowar. k = 25 0,053 0,22 102,48* 70,99 1 0,731 RiskMetrics 0,054 0,36 92,70* 72,48 3 0,768 Model GARCH 0,034 7,21* 58,20* 75,59 7 0,130 GARCH rozkład t-studenta 0,034 6,40* 61,62* 74,62 4 0,143 GARCH + symulacja histor. 0,035 5,65* 62,57* 75,07 5 0,230 LRuc oraz LRind oznaczają statystyki testu Kupca służącego weryfikacji hipotez odpowiednio o równości udziału przekroczeń poziomowi tolerancji oraz niezależności przekroczeń w czasie, * oznaczono oceny statystyk, w przypadku których hipoteza zerowa została odrzucona na poziomie istotności 0,05, MRC to suma zmodyfikowanych wymogów kapitałowych. Źródło: opracowanie własne. Tablica 3. Ocena jakości prognoz VaR dla pozycji długiej i poziomu tolerancji 0,01 Metody szacowania VaR Udział LR przekr. uc LR ind MRC Ranking Udział k=4 Stałych współczyn. korelacji 0,006 1,92 14,28* 91,31 9 0,000 Skalarno-diagonalny 0,005 3,04 13,04* 99, ,000 Skal.-diag. rozkład t-studenta 0,001 15,86* 15,35* 108, ,000 Zintegrowany 0,016 3,39 51,45* 86,06 6 0,016 Ortogonalny 3 czynniki 0,009 0,16 11,75 85,57 3 0,000 Ortogonalny 20 czynników 0,009 0,16 11,75 85,86 5 0,000 DCC 0,006 1,92 14,28* 90,65 8 0,000 DCC zintegrowany 0,008 0,51 14,25 87,81 7 0,000 Symulacja historyczna 0,001 15,86* 15,35* 120, ,000 Wariancji-kowariancji 0,002 11,77* 11,34* 111, ,000 Ruch. macierz kowar. k = 25 0,019 8,00* 41,53* 80,91 2 0,000 RiskMetrics 0,014 1,74 25,47 80,22 1 0,000 Model GARCH 0,010 0,01 12,86 85,83 4 0,000

6 6 Fiszeder Piotr GARCH rozkład t-studenta 0,008 0,51 9,82 93, ,000 GARCH + symulacja histor. 0,008 0,51 9,82 91, ,000 Patrz uwagi pod tablicą 2. Źródło: opracowanie własne. Tablica 4. Ocena jakości prognoz VaR dla pozycji krótkiej i poziomu tolerancji 0,05 Metody szacowania VaR Udział LR przekr. uc LR ind MRC Ranking Udział k=4 Stałych współczyn. korelacji 0,036 4,96* 89,04* 78, ,364 Skalarno-diagonalny 0,029 12,06* 81,52* 83, ,321 Skal.-diag. rozkład t-studenta 0,033 8,06* 85,16* 83, ,334 Zintegrowany 0,053 0,22 123,05* 77,50 5 0,494 Ortogonalny 3 czynniki 0,046 0,40 94,14* 77,76 6 0,473 Ortogonalny 20 czynników 0,046 0,40 94,14* 78,02 8 0,473 DCC 0,038 3,71 84,16* 78,17 9 0,444 DCC zintegrowany 0,042 1,43 86,56* 77,26 4 0,444 Symulacja historyczna 0,020 26,75* 78,16* 90, ,264 Wariancji-kowariancji 0,021 24,94* 84,10* 91, ,267 Ruch. macierz kowar. k = 25 0,071 9,87* 127,29* 71,33 1 0,789 RiskMetrics 0,064 4,11* 109,96* 72,16 2 0,681 Model GARCH 0,046 0,40 94,14* 78,00 7 0,473 GARCH rozkład t-studenta 0,046 0,40 94,14* 76,93 3 0,473 GARCH + symulacja histor. 0,044 0,83 86,67* 78, ,461 Patrz uwagi pod tablicą 2. Źródło: opracowanie własne. Tablica 5. Ocena jakości prognoz VaR dla pozycji krótkiej i poziomu tolerancji 0,01 Metody szacowania VaR Udział LR przekr. uc LR ind MRC Ranking Udział k=4 Stałych współczyn. korelacji 0,009 0,16 16,72 94, ,000 Skalarno-diagonalny 0,004 4,49* 13,88* 99, ,000 Skal.-diag. rozkład t-studenta 0,004 4,49* 13,88* 108, ,000 Zintegrowany 0,016 3,39 42,04* 89,81 3 0,000 Ortogonalny 3 czynniki 0,011 0,24 20,37 92,74 6 0,000 Ortogonalny 20 czynników 0,011 0,24 20,37 92,36 5 0,000 DCC 0,009 0,16 16,72 94,18 9 0,000 DCC zintegrowany 0,011 0,04 20,92 93,18 7 0,000 Symulacja historyczna 0,002 11,77* 7,32* 132, ,000 Wariancji-kowariancji 0,004 4,49* 17,97* 111, ,000 Ruch. macierz kowar. k = 25 0,022 12,45* 66,26* 88,14 2 0,023 RiskMetrics 0,021 10,88* 49,80* 87,97 1 0,000 Model GARCH 0,011 0,24 20,37 92,32 4 0,000 GARCH rozkład t-studenta 0,007 1,09 8,43 94,01 8 0,000 GARCH + symulacja histor. 0,004 4,49* 7,58 101, ,000

7 Prognozowanie VaR Zastosowanie wielorównaniowych modeli GARCH 7 Patrz uwagi pod tablicą 2. Źródło: opracowanie własne. Zauważmy na wstępie, że żadna z metod szacowania VaR nie dała zadawalających wyników dla wszystkich poziomów tolerancji oraz zajmowanych przez inwestora pozycji. Można jednakże wskazać metody, które dają trafne prognozy przy określonych poziomach tolerancji i zajmowanych pozycjach. Dla pozycji długiej, poziomu tolerancji 0,05 oraz poziomu istotności 0,05 udział przekroczeń VaR nie odbiega istotnie od zakładanego dla zintegrowanego wielorównaniowego modelu GARCH, ruchomej macierzy kowariancji oraz metodologii RiskMetrics. Jednakże we wszystkich przypadkach hipoteza o niezależności przekroczeń w czasie została odrzucona. Zatem na podstawie przeprowadzonych testów statystycznych można stwierdzić, że dla pozycji długiej i poziomu tolerancji 0,05 żadna z metod nie daje trafnych prognoz VaR. Potwierdza to również analiza zmodyfikowanych wymogów kapitałowych. Dla wszystkich metod poza metodą wariancji-kowariancji udział dni, podczas których współczynnik korygujący przyjmował wartość cztery był znaczący i instytucja byłaby prawdopodobnie zobowiązana do zmiany sposobu szacowania VaR. Dla wszystkich metod poza ruchomą macierzą kowariancji oraz metodologią Risk- Metrics szacunki VaR były przeszacowane. Dla inwestora posiadającego długą pozycję i poziomu tolerancji 0,01 trafne prognozy wartości narażonej zostały skonstruowane na podstawie modelu ortogonalnego dla trzech i dwudziestu czynników, zintegrowanego modelu DCC, metodologii RiskMetrics, jednorównaniowego modelu GARCH z warunkowym rozkładem normalnym i t-studenta oraz połączenia zastosowania jednorównaniowego modelu GARCH z metodą symulacji historycznej. Spośród powyższych metod najlepszą według kryterium zmodyfikowanych wymogów kapitałowych okazała się metodologia RiskMetrics. Dla wszystkich modeli poza zintegrowanym wielorównaniowym modelem GARCH współczynnik korygujący nie przyjmował nigdy wartości cztery, zatem metody te należy uznać za dopuszczalne ze względu na przyjęte kryterium. Podobnie jak dla poziomu tolerancji 0,01 niedoszacowane szacunki VaR otrzymano na podstawie ruchomej macierzy kowariancji, metodologii RiskMetrics oraz dodatkowo zintegrowanego wielorównaniowego modelu GARCH. Dla inwestora posiadającego krótką pozycję i poziomu tolerancji 0,05 dla ponad połowy metod udział przekroczeń VaR nie odbiegał istotnie od zakładanego, jednakże dla żadnej metody udział przekroczeń nie był niezależny w czasie. Wyniki analizy dla zmodyfikowanych rezerw kapitałowych potwierdzają, bardzo słabe wyniki wszystkich metod w prognozowaniu VaR. Liczba dni, podczas których współczynnik korygujący przyjmował wartość cztery była na tyle duża, że konieczna byłaby zmiana sposobu prognozowania VaR. Podobnie jak dla pozycji długiej dla wszystkich metod, poza ruchomą macierzą kowariancji oraz metodologią RiskMetrics, szacunki VaR były przeszacowane. Prognozy VaR dla inwestora posiadającego krótką pozycję i poziomu tolerancji 0,01 były trafne dla modelu stałych warunkowych współczynników kore-

8 8 Fiszeder Piotr lacji, modelu ortogonalnego dla trzech i dwudziestu czynników, modelu DCC i jego zintegrowanej parametryzacji oraz jednorównaniowego modelu GARCH z warunkowym rozkładem normalnym i t-studenta. Spośród powyższych modeli najwyżej w rankingu ze względu na minimalizację zmodyfikowanych wymogów kapitałowych uplasował się jednorównaniowy model GARCH. Dla wszystkich modeli poza ruchomą macierzą kowariancji współczynnik korygujący nie przyjmował wartości cztery, co oznacza że można je stosować do szacowania wymogów kapitałowych. Oceniając uzyskane wyniki w kontekście rezultatów badań innych autorów (patrz punkt 2) dotyczących pojedynczych szeregów z polskiego rynku finansowego należy zauważyć istotną różnicę. O ile w przypadku pojedynczych aktywów liczba przekroczeń VaR konstruowanych na podstawie jednorównaniowego modelu GARCH była najczęściej znacząco wyższa od zakładanej, o tyle w przypadku portfela aktywów liczba przekroczeń była albo zbliżona do zakładanej, albo znacząco niższa. Zaobserwowana różnica wynika prawdopodobnie z grubości ogonów rozkładów stóp zwrotu, mianowicie dla pojedynczych szeregów szacunki liczby stopni swobody w rozkładzie t-studenta wynosiły około 6, natomiast dla portfela około 10. Dodatkowo przeprowadzono również wybrane testy dotyczące własności stóp zwrotu badanych spółek oraz charakteru zależności między nimi. Poza czterema spółkami (Computerland, Millennium, Prokom i Softbank) stopy zwrotu były pozbawione autokorelacji. Stopy zwrotu wszystkich spółek miały zmienną wariancję warunkową, a ich rozkłady bezwarunkowe były różne od rozkładu normalnego. W tablicy 6 przedstawiono wyniki testów dotyczących charakteru zależności między stopami zwrotu badanych spółek. Tablica 6. Analiza charakteru zależności badanych szeregów dla wielorównaniowych specyfikacji modelu GARCH Weryfikowane hipotezy Statystyka Oceny statystyk Normalność rozkł. warunk. - model skalarno-diagonalny LR 8925* Stałość warunkowych współczynników korelacji LMC 409* Skalarno-diagonalny CC = 0, e 1 = 1-d 1 LR 1192* Zintegrowany GARCH - 1-d 1 = 0,94 LR 26382* Gwiazdką oznaczono oceny statystyk, w przypadku których weryfikowana hipoteza została odrzucona na poziomie istotności 0,05. Źródło: opracowanie własne. Uzyskane wyniki testowania restrykcji nakładanych na parametry modeli GARCH były niewrażliwe na przyjętą specyfikację rozkładu warunkowego. Dodatkowo w tablicy 7 przedstawiono ranking modeli na podstawie bayesowskiego kryterium Schwarza. Według testu LR model skalarno-diagonalny z warunkowym rozkładem normalnym został zdecydowanie odrzucony na korzyść modelu z warunkowym rozkładem t-studenta, taki sam rezultat otrzymano również na podstawie bayesowskiego kryterium Schwarza. Wyniki analizy skuteczności prognoz VaR nie potwierdziły jednakże przewagi modelu z warun-

9 Prognozowanie VaR Zastosowanie wielorównaniowych modeli GARCH 9 kowym rozkładem t-studenta. Hipoteza o stałości warunkowych współczynników korelacji została odrzucona, a mimo to zastosowanie modelu stałych warunkowych współczynników korelacji do wyznaczania prognoz VaR dało nie gorsze, a często nawet lepsze wyniki niż zastosowanie wielorównaniowych specyfikacji pozwalających opisać zmienne współczynniki korelacji. Tablica 7. Ranking wielorównaniowych modeli GARCH według bayesowskiego kryterium Schwarza Oznaczenia portfeli SC Ranking Skalarno-diagonalny Skalarno-diagonalny rozkład t-studenta Zintegrowany DCC DCC zintegrowany RiskMetrics Źródło: opracowanie własne. Prognozy VaR konstruowane na podstawie modelu skalarno-diagonalnego okazały się nieco bardziej skuteczne niż prognozy konstruowane na podstawie modelu zintegrowanego, co jest zgodne z wynikami bayesowskiego kryterium Schwarza (w przeciwieństwie do wyników testu LR), jednakże w przypadku żadnego z tych modeli nie można powiedzieć, że są to prognozy trafne. Podejście RiskMetrics zostało zdecydowanie odrzucone na korzyść bardziej złożonych wielorównaniowych specyfikacji modeli GARCH, jednakże nie zostało to potwierdzone w analizie skuteczności prognoz VaR. Wysokie miejsca w rankingu według bayesowskiego kryterium Schwarza modeli DCC przynajmniej częściowo potwierdziło się w analizie trafności prognoz VaR. Zakończenie Żadna z metod szacowania VaR nie dała zadawalających wyników dla wszystkich poziomów tolerancji oraz zajmowanych przez inwestora pozycji. Prognozy VaR konstruowane na podstawie zarówno jednorównaniowych, jak i wielorównaniowych modeli GARCH są najczęściej przeszacowane, prognozy konstruowane na podstawie symulacji historycznej oraz metody wariancjikowariancji są przeszacowane, natomiast prognozy konstruowane na podstawie modelu wariancji ruchomej oraz metodologii RiskMetrics są niedoszacowane. Uzyskane wyniki wskazują, że znacznie łatwiejsze jest prognozowanie VAR dla poziomu tolerancji 0,01. Żadna metoda prognozowania nie dała w pełni zadawalających wyników dla poziomu 0,05, co potwierdza słuszność wyboru poziomu tolerancji 0,01 przy szacowaniu wymogów kapitałowych. W żadnym przypadku zastosowanie najbardziej popularnych metod prognozowania VaR czyli metody wariancji-kowariancji i symulacji historycznej nie dało trafnych prognoz VaR. Analizując poszczególne specyfikacje wielorównaniowych modeli GARCH, można zauważyć bardzo zbliżone wyniki dla modelu DCC oraz mo-

10 10 Fiszeder Piotr delu stałych warunkowych współczynników korelacji. W obu metodach w pierwszym kroku estymuje się parametry jednorównaniowych modeli GARCH. Warte podkreślenia są również słabsze wyniki przy ocenie trafności prognoz dla modeli skalarno-diagonalnego oraz zintegrowanego. Wyniki bezpośredniego testowania restrykcji dotyczących wielorównaniowych modeli GARCH nie znajdują odzwierciedlenia w analizie skuteczności prognoz VaR. Nieco lepiej wypada porównanie z wynikami bayesowskiego kryterium Schwarza, jednakże i w tym przypadku wnioski nie pokrywają się z wnioskami uzyskanymi na podstawie analizy trafności prognoz VaR. Zastosowanie podejścia jednorównaniowego z jednorównaniowym modelem GARCH do prognozowania VaR dla portfela akcji dało nie gorsze, a często nawet lepsze wyniki, niż zastosowanie wielorównaniowych modeli GARCH. Wynik ten jest ważny z praktycznego punktu widzenia, ponieważ przy dużej liczbie aktywów estymacja parametrów większości specyfikacji wielorównaniowych modeli GARCH jest bardzo trudna lub wręcz niemożliwa. Zaskakujący w stosunku do wyników innych badań jest fakt, że specyfikacja rozkładu warunkowego w modelu GARCH nie wpływała na wyniki trafności prognoz. Wynika to prawdopodobnie z faktu, że ogony rozkładu stóp zwrotu pojedynczych instrumentów (stosowanych w innych badaniach) są znacznie grubsze niż ogony rozkładu stóp zwrotu portfela instrumentów (stosowanego w niniejszym badaniu). Zastosowanie jednorównaniowego modelu GARCH w połączeniu z symulacją historyczną również nie poprawiło skuteczności prognoz VaR. Przeprowadzona analiza pokazała również, że ocenianie trafności prognoz VaR tylko na podstawie badania istotności udziału przekroczeń w czasie jest zdecydowanie niewystarczające 6. Literatura 1. Alexander C., (2001), Market Models. A Guide to Financial Data Analysis, John Wiley & Sons, Chichester. 2. Alexander C., Chibumba A. (1996) Multivariate Orthogonal Factor GARCH, University of Sussex Discussion Papers in Mathematics. 3. Andersen T., Bollerslev T. (1998) Answering the Skeptics: Yes, Standard Volatility Models Do Provide Accurate Forecasts, International Economic Review, 39, 4, Bollerslev T. (1990) Modelling the Coherence in Short-Run Nominal Exchange Rates: A Multivariate Generalized ARCH Approach, Review of Economics and Statistics, 72, Ding Z., Engle R. F. (2001) Large Scale Conditional Covariance Matrix Modeling, Estimation and Testing, Academia Economic Papers, 29, 2, Doman, M., Doman, R. (2004), Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, AE w Poznaniu, Poznań. 6 Do podobnego wniosku doszedł Pipień (2006) na podstawie innych miar i metod estymacji.

11 Prognozowanie VaR Zastosowanie wielorównaniowych modeli GARCH Engle R. F. (1987) Multivariate ARCH with Factor Structures- Cointegration in Variance. Discussion Paper 87, University of California, San Diego. 8. Engle R. F. (2002) Dynamic Conditional Correlation A Simple Class of Multivariate GARCH Models, Journal of Business and Economic Statistics, 20, Engle R. F., Mezrich J. (1996) GARCH for Groups, Risk, 9, No.8, Kupiec P., (1995), Techniques for Verifying the Accuracy of Risk Measurement Models, Journal of Derivatives, 2, Łach M., Weron A., (2000), Skuteczność wybranych metod obliczania VaR dla danych finansowych z polskiego rynku, Rynek Terminowy, 9, Piontek K., (2002), Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z grubymi ogonami, Rynek Kapitałowy. Skuteczne inwestowanie, Uniwersytet Szczeciński, Szczecin. 13. Pipień M., (2006), Wnioskowanie bayesowskie w ekonometrii finansowej, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków. 14. Rokita P., (2003), Porównywanie podejść do szacowania wartości zagrożonej (VaR) na przykładzie pozycji walutowej, Inwestycje finansowe i ubezpieczenia - tendencje światowe a polski rynek, Prace naukowe AE we Wrocławiu, nr 991, Wrocław. 15. West K. D., Cho D. (1995) The Predictive Ability of Several Models of Exchange Rate Volatility, Journal of Econometrics, 69, Streszczenie Value at Risk można wyznaczyć dla pojedynczych aktywów, ale na ogół głównym celem jest estymacja VaR dla portfela aktywów. W przeciwieństwie do badań pojedynczych instrumentów finansowych jest bardzo mało analiz, w których ocenia się trafność prognoz VaR konstruowanych z zastosowaniem wielorównaniowych modeli GARCH dla większej liczby aktywów. W badaniu dla dwudziestu spółek notowanych na GPW w Warszawie zastosowano jedenaście specyfikacji modelu GARCH w tym osiem parametryzacji wielorównaniowego modelu GARCH oraz cztery dodatkowe metody. Uzyskane wyniki wskazują, że znacznie łatwiejsze jest prognozowanie VAR dla poziomu tolerancji 0,01. Żadna metoda prognozowania nie dała w pełni zadawalających wyników dla poziomu 0,05, co potwierdza słuszność wyboru poziomu tolerancji 0,01 przy szacowaniu wymogów kapitałowych. W żadnym przypadku zastosowanie najbardziej popularnych metod prognozowania VaR, czyli metody wariancji-kowariancji i symulacji historycznej nie dało trafnych prognoz VaR. Zastosowanie podejścia jednorównaniowego z jednorównaniowym modelem GARCH do prognozowania VaR dla portfela akcji dało nie gorsze, a często nawet lepsze wyniki niż zastosowanie wielorównaniowych modeli GARCH. Wynik ten jest ważny z praktycznego punktu widzenia, ponieważ przy dużej liczbie aktywów estymacja parametrów większości specyfikacji wielorównaniowych modeli GARCH jest bardzo trudna lub wręcz niemożliwa.

12 12 Fiszeder Piotr Forecasting VaR Application of Multivariate GARCH Models Performance of eleven specifications of GARCH models (incl. eight multivariate parameterisations) and four other methods for predicting VaR for portfolio of twenty Polish stocks is compared. It is much easier to forecast VaR for 1% than 5% level. Application of univariate GARCH model for forecasting VaR for portfolio gives no worse results or even better than application of multivariate GARCH models. It is important from practical point of view because estimation of most of the multivariate GARCH specifications is difficult or even impossible for large amount of assets.