Modelling Conditional Quantiles of CEE Stock Market Returns

Abstract

Správne definované modely na predpovedanie výnosov indexov sú dôležité pre investorov, kvôli minimalizovaniu rizika na finančných trhoch. Táto práca sa zameriava na podmiené modelovanie Value at Risk, ktorá využíva rámec flex- ibilnej kvantilovej regresie, a tým sa môže vyhnúť predpokladu o normálne rozdelených výnosoch. Aplikujeme semiparametrickú lineárnu regresiu kvan- tilov (LQR) s realizovaným rozptylom a tiež model s pozitívnou a negatív- nou semivarianciou, ktorá umožňuje priame modelovanie kvantilov. Do úvahy berieme ceny štyroch európskych akciových indexov: českého PX, maďarského BUX, nemeckého DAX a londýnskeho FTSE 100. Naším cieľom je zistiť, ako použitie realizovaných rozptylov ovplyvňuje presnosť VaR a koreláciu medzi strednou a východnou Európou so západoeuróskymi indexmi. Hlavným príno- som práce je aplikácia modelov LQR pre modelovanie podmienených kvantilov a porovnanie korelácie medzi európskymi indexmi s využitím realizovaných mier. Naše výsledky ukazujú, že pri jednokrokovej prognóze lineárny kvan- tilový regresný model poskytuje lepšie odhady a taktiež presnejšie predpovede ako klasický VaR model s predpokladom normálne distribuovaných výnosov. Z tohoto dôvodu, LQR modely s realizovanou varianciou môžu byť použité ako presné nástroje pre investorov. Naviac ukážeme, že prínosy...

Correctly specified models to forecast returns of indices are important for in- vestors to minimize risk on financial markets. This thesis focuses on conditional Value at Risk modeling, employing flexible quantile regression framework and hence avoiding the assumption on the return distribution. We apply semi- parametric linear quantile regression (LQR) models with realized variance and also models with positive and negative semivariance which allows for direct modelling of the quantiles. Four European stock price indices are taken into account: Czech PX, Hungarian BUX, German DAX and London FTSE 100. The objective is to investigate how the use of realized variance influence the VaR accuracy and the correlation between the Central & Eastern and Western European indices. The main contribution is application of the LQR models for modelling of conditional quantiles and comparison of the correlation between European indices with use of the realized measures. Our results show that linear quantile regression models on one-step-ahead forecast provide better fit and more accurate modelling than classical VaR model with assumption of nor- mally distributed returns. Therefore LQR models with realized variance can be used as accurate tool for investors. Moreover we show that diversification benefits are...