Can we improve the accuracy of Value at Risk models using liquidity risk?

Abstract

The industry standard risk measurement metric, the Value at Risk ( understates the actual risk investors and institutions face by assuming perfect markets, where asset prices are unaffected by market players’ actions In practice, investors and institutions are face d with a multitude of risks which aren’t fully captured with the standard VaR estimation approach which solely captures market risk In t his dissertation we’ll explore how modelling liquidity risk and incorporating it into the VaR estimation can produce more accurate measurements of risk for illiquid assets. We’ll use the standard Generalized Auto Regressive Conditional Heteroskedasticity ( volatility model, as well as the student t GARCH and the Fractionally Integrated GARCH ( for the VaR estimation. Furthermore, since the liquidity adjusted VaR literature tends to focus on the p arametric n ormal VaR model we extend the analysis to include the v olatility a djusted h istorical VaR and Monte Carlo VaR models Each model’s performance will be assessed though a backtest using the Unconditional Coverage and BCP test. The results from this study show that ignoring the liquidity effect can produce an underestimation of risk for illiquid assets.

A métrica de medição de risco mais geralmente usada, o Value-at-Risk (VaR), subestima o risco que os investidores e as instituições enfrentam ao assumir a existência de mercados perfeitos, onde os preços dos ativos não são impactados pelas ações dos agentes de mercado. Na prática, tanto os investidores como as instituições enfrentam uma miríade de riscos que não são completamente capturados pela estimação tradicional do VaR, a qual considera apenas risco de mercado. Nesta dissertação exploramos como se conseguem produzir resultados mais precisos para ativos ilíquidos ao medir e incorporar o risco de liquidez na estimação do VaR. Deste modo, utilizamos os modelos Generalized Auto Regressive Conditional Heteroskedasticity (GARCH), student t GARCH, e o Fractionally Integrated GARCH (FIGARCH) de modelação de volatilitidade para o cálculo do VaR. Além disso, uma vez que a literatura sobre o VaR ajustado pela liquidez tende a focar-se no VaR normal paramétrico, expandimos a análise para incluir os modelos v olatility a djusted h istorical VaR e Monte Carlo VaR. A performance de cada modelo é avaliada através de um backtest usando o s testes Unconditional Coverage e BCP. Os resultados deste estudo demonstram que ignorar o efeito da liquidez pode levar à subestimação do risco em ativos ilíquidos.