Skip navigation
User training | Reference and search service

Library catalog

EDS
b-on
More
resources
Content aggregators
Please use this identifier to cite or link to this item:

acessibilidade

http://hdl.handle.net/10071/21164
acessibilidade
Title: A comparative evaluation of VaR models using Monte Carlo simulations
Authors: Gomes, Diogo Filipe Meireles
Orientador: Barbosa, António Manuel Rodrigues Guerra
Keywords: Quantile regression
Value-at-Risk
Garch
Monte Carlo simulations
Regressão de quantis
Simulação de Monte Carlo
Issue Date: 14-Dec-2020
Citation: Gomes, D. F. M. (2020). A comparative evaluation of VaR models using Monte Carlo simulations [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/21164
Abstract: Quantile regression models emerges as an alternative Value-at-Risk (VaR) methodology that does not require any specific distribution assumption. This dissertation describes and tests a recent quantile regression VaR model that introduces a nontrivial transformation enabling the use of Generalized Autoregressive Conditional Heteroskedasticity (GARCH) volatility models, proposed by Zheng et al. (2018). His study has shown that this approach to the conditional quantile estimation for a GARCH(1,1) model provides promising results. We test this new model against a group of benchmarks composed by traditional VaR methods and other quantile regression VaR models. In order to evaluate the performance of this new VaR model, we generate returns by Monte Carlo simulations following a GARCH(1,1) process similar to what was carried out by Zheng et al. (2018). After, we change the returns process parameters to, in our opinion, more realistic assumptions on the daily persistent volatility. We confirm the superior performance of the new proposed model when the return generating process is simulated with Zheng et al. (2018) parameters, however, the same does not happen when a more reasonable parametrization is simulated. New results show that the benchmark group is heavily penalized by Zheng et al. (2018) parametrization.
Os modelos de regressão de quantis surgem como uma metodologia "Value-at-Risk" (VaR) alternativa que não requer nenhum pressuposto específico quanto à distribuição dos retornos. Esta dissertação descreve e testa um modelo recente, proposto por Zheng et al. (2018), para estimação do VaR através da regressão de quantis e introduz uma transformação não trivial que permite o uso de modelos "Generalized Autoregressive Conditional Heteroskedasticity" (GARCH). O estudo desenvolvido por este investigador apresenta resultados promissores relativamente ao uso desta abordagem de estimação do quantil condicional para um modelo GARCH(1,1). Testamos este novo modelo comparando-o com um grupo de "benchmarks" compostos por metodologias VaR tradicionais e outros modelos VaR de regressão de quantis. De modo a avaliar o desempenho deste novo modelo VaR, geramos retornos através de simulações de Monte Carlo que seguem um processo GARCH(1,1) idêntico ao que foi utilizado por Zheng et al. (2018). Depois, mudamos os parâmetros do processo gerador de retornos para, na nossa opinião, suposições mais realistas quanto à volatilidade diária no longo prazo. Confirmamos a superioridade do desempenho deste novo modelo quando os parâmetros do processo gerador de retornos é o mesmo do que o que foi definido por Zheng et al. (2018), no entanto, o mesmo não acontece quando utilizamos parâmetros mais realistas. Os novos resultados mostram que a parametrização de Zheng et al. (2018) penaliza bastante o desempenho dos "benchmarks".
Peer reviewed: yes
URI: http://hdl.handle.net/10071/21164
Thesis identifier: 202567397
Designation: Mestrado em Finanças
Appears in Collections:T&D-DM - Dissertações de mestrado

Files in This Item:
acessibilidade
File Description SizeFormat 
master_diogo_meireles_gomes.pdf941.92 kBAdobe PDFView/Open    Request a copy


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Currículo DeGóis 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.