Value at Risk: GARCH vs. Stochastic Volatility Models: Empirical Study

Abstract

Práca porovnáva GARCH modely volatility a modely Stochastickej volatil- ity so študentovým t rozdelením a ich empirickú schopnos't predpovedania Value at Risk na piatich akciových indexoch: S&P, NASDAQ Compos- ite, CAC, DAX a FTSE. Detailne predstavuje problém vyrátania metódy maximálnej vierohodnosti pre Stochastickú volatilitu a navrhuje nedávno vyvinutú metódu tzv. Efficient Importance Sampling. Táto metóda posky- tuje veľmi primerané Monte Carlo odhady vierohodnostnej funkcie, ktoré sú závislé na numerických integráloch vysokéhu rádu. Komparatívna analýza je rozdelená na predpovedací výkon v prvom ob- dobí zo vzorky a v druhom období mimo vzorku. Tie sú vyhodnotené na základe štandardných štatistických a pravdepodobnostných backtestových metódach ako je tzv. podmienený a nepodmienený coverage. Na základe empirickej analýzy táto práca ukazuje, že SV modely môžu fungova't aspoň tak dobre ako GARCH modely, ak nie k nim by't nadradené pri predpovedaní volatility a následne parametrického Value at Risk. 1

The thesis compares GARCH volatility models and Stochastic Volatility (SV) models with Student's t distributed errors and its empirical forecasting per- formance of Value at Risk on five stock price indices: S&P, NASDAQ Com- posite, CAC, DAX and FTSE. It introduces in details the problem of SV models Maximum Likelihood examinations and suggests the newly devel- oped approach of Efficient Importance Sampling (EIS). EIS is a procedure that provides an accurate Monte Carlo evaluation of likelihood function which depends upon high-dimensional numerical integrals. Comparison analysis is divided into in-sample and out-of-sample forecast- ing performance and evaluated using standard statistical probability back- testig methods as conditional and unconditional coverage. Based on empirical analysis thesis shows that SV models can perform at least as good as GARCH models if not superior in forecasting volatility and parametric VaR. 1