Ước lượng VaR và CVaR dạng hỗn hợp các phân phối xác suất thông qua mô phỏng Monte Carlo và ứng dụng trong phân tích giá chứng khoán Việt Nam
DOI:
https://doi.org/10.24311/jabes/2018.29.9.1331Từ khóa:
Ước lượng VaR, Ước lượng CVaR, Phương pháp mô phỏng Monte Carlo, Hỗn hợp các phân phối xác suất, Giá chứng khoánTóm tắt
VaR và CVaR là các vấn đề thu hút nhiều quan tâm trong lĩnh vực nghiên cứu đo lường rủi ro đối với dữ liệu tài chính. Tuy nhiên, hầu hết các nghiên cứu chỉ dừng lại ở công thức tính dựa trên xấp xỉ dữ liệu thông qua một phân phối xác suất trong khi phân phối của dữ liệu thực thông thường có dạng hỗn hợp các phân phối xác suất. Chính vì vậy, cần thiết phải có các nghiên cứu tính toán VaR và CVaR trong trường hợp phân phối của dữ liệu có dạng hỗn hợp các phân phối xác suất. Hơn nữa, vì tính toán cũng đòi hỏi thời gian tính toán nhanh nên tác giả ưu tiên sử dụng phương pháp mô phỏng Monte Carlo. Tác giả đề nghị thuật toán tính giá trị VaR và CVaR trong trường hợp phân phối xác suất là dạng hỗn hợp bằng cách hiệu chỉnh phương pháp mô phỏng Monte Carlo cho phù hợp với dạng hỗn hợp các phân phối xác suất. Thêm vào đó, tác giả minh họa kết quả tính toán trong các trường hợp mô phỏng đã biết phân phối xác suất thành phần cũng như trường hợp chưa biết trước các phân phối xác suất thành phần, thông qua bộ dữ liệu thực về giá đóng cửa của chứng khoán Việt Nam bằng hỗn hợp của các phân phối. Các kết quả tính toán dựa trên thuật toán mà tác giả đề nghị được đánh giá thông qua xác suất đuôi cũng như độ lệch chuẩn.
Tài liệu tham khảo
Acerbi, C., & Tasche, D. (2002). Expected shortfall: A natural coherent alternative to value at risk. Economic Notes, 31(2), 379–388.
Adams, Z., Füss, R., & Gropp, R. (2014). Spillover effects among financial institutions: A state–dependent sensitivity value–at–risk approach. Journal of Financial and Quantitative Analysis, 49(3), 575–598.
Belles‐Sampera, J., Guillén, M., & Santolino, M. (2014). Beyond value‐at‐risk: GlueVaR distortion risk measures. Risk Analysis, 34(1), 121–134.
Berkowitz, J., & O'Brien, J. (2002). How accurate are value‐at‐risk models at commercial banks?. The Journal of Finance, 57(3), 1093–1111.
Demir, I., Muthuswamy, J., & Walter, T. (2004). Momentum returns in Australian equities: The influences of size, risk, liquidity and return computation. Pacific-Basin Finance Journal, 12(2), 143–158.
Dietz, S., Bowen, A., Dixon, C., & Gradwell, P. (2016). ‘Climate value at risk’of global financial assets. Nature Climate Change, 6(7), 676.
Duffie, D., & Pan, J. (1997). An overview of value at risk. Journal of derivatives, 4(3), 7–49.
Engle, R. F., & Manganelli, S. (2004). CAViaR: Conditional autoregressive value at risk by regression quantiles. Journal of Business & Economic Statistics, 22(4), 367–381.
Hall, P. (1990). Using the bootstrap to estimate mean squared error and select smoothing parameter in nonparametric problems. Journal of Multivariate Analysis, 32(2), 177–203.
Hendricks, D. (1997). Evaluation of value–at–risk models using historical data. Economic Policy Review, 2(1), 39–69.
Hennig, P., Stern, D., Herbrich, R., & Graepel, T. (2012). Kernel topic models. In Artificial Intelligence and Statistics, (pp. 511–519).
Huang, Y., Zheng, Q. P., & Wang, J. (2014). Two–stage stochastic unit commitment model including non–generation resources with conditional value–at–risk constraints. Electric Power Systems Research, 116, 427–438.
Jorion, P. (1996). Risk2: Measuring the risk in value at risk. Financial Analysts Journal, 52(6), 47–56.
Jorion, P. (2001). Value at Risk: The New Benchmark for Managing Financial Risk (3rd ed.). NY: McGraw-Hill Professional.
Krokhmal, P., Palmquist, J., & Uryasev, S. (2002). Portfolio optimization with conditional value–at–risk objective and constraints. Journal of Risk, 4, 43–68.
Lê Thanh Hoa, Phạm Hoàng Uyên, & Nguyễn Đình Thiên. (2017). Một phương pháp mới tìm khoảng mật độ hậu nghiệm cao nhất và ứng dụng. Tạp chí Phát triển Kinh tế, 28(10), 79–120.
Martins-Filho, C., Yao, F., & Torero, M. (2018). Nonparametric estimation of conditional value–at–risk and expected shortfall based on extreme value theory. Econometric Theory, 34(1), 23–67.
Pflug, G. C. (2000). Some remarks on the value-at-risk and the conditional value-at-risk. In Probabilistic Constrained Optimization (pp. 272–281). Springer, Boston, MA.
Robert, C. P. (2004). Monte Carlo Methods. John Wiley & Sons, Ltd.
Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of Risk, 2(3), 21–42.
Rockafellar, R. T., & Uryasev, S. (2002). Conditional value–at–risk for general loss distributions. Journal of Banking & Finance, 26(7), 1443–1471.
Rockafellar, R. T., Royset, J. O., & Miranda, S. I. (2014). Superquantile regression with applications to buffered reliability, uncertainty quantification, and conditional value–at–risk. European Journal of Operational Research, 234(1), 140–154.
Zhao, H., & Luo, Y. (2018). An O (N) Sorting Algorithm: Machine Learning Sorting. arXiv preprint arXiv:1805.04272.
Lượt tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Bản quyền (c) {copyrightHolder}
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Ghi công-Phi thương mại 4.0 Quốc tế.
