| Περίληψη: | Η ποσοτικοποίηση του κινδύνου της αγοράς μέσω της Αξίας σε Κίνδυνο (Value at Risk), αποτελεί ένα χρήσιμο εργαλείο ελέγχου για ένα χρηματοοικονομικό οργανισμό προκειμένου να διασφαλίζεται η επάρκεια ρευστότητας και η ασφάλεια των επενδύσεων. Ωστόσο, η μαθηματική μοντελοποίηση του κινδύνου για ένα χαρτοφυλάκιο αποτελεί ένα δύσκολο εγχείρημα.
Στη παρούσα διπλωματική εργασία εξετάζονται τεχνικές εκτίμησης της Αξίας σε Κίνδυνο, που αποτελεί ένα σημαντικό μέτρο κινδύνου και βασίζεται στην κατανομή των αποδόσεων ενός χαρτοφυλακίου. Αρχικά, παρουσιάζονται οι κατηγορίες οικονομικού κινδύνου και ο ρόλος που παίζουν τα μέτρα κινδύνου. Εισάγονται οι έννοιες της Αξίας σε Κίνδυνο και του Αναμενόμενου Ελλείμματος (Expected Shortfall) και μελετώνται πιθανοί τρόποι εκτίμησης τους. Η μελέτη επικεντρώνεται σε δύο κατανομές από τη θεωρία ακραίων τιμών, τη Γενικευμένη Κατανομή Ακραίων Τιμών και τη Γενικευμένη Pareto. Για την εκτίμηση των παραμέτρων των κατανομών αυτών επιλέγονται δεδομένα σύμφωνα με δύο τεχνικές. Αυτές είναι η μέθοδος Μεγίστων ανά Περίοδο (Block Maxima) και η μέθοδος Κορυφών πάνω από Κατώφλι (Peaks Over Threshold), οι οποίες παρουσιάζονται αναλυτικά. Η εκτίμηση των παραμέτρων μπορεί να γίνει με τη κλασσική μέθοδο της μέγιστης πιθανοφάνειας, όμως εδώ χρησιμοποιούνται εναλλακτικά και μέθοδοι Monte Carlo και Markov Chain Monte Carlo, όταν το πρόβλημα αντιμετωπίστηκε με μία Μπεϋζιανή οπτική. Πιο συγκεκριμένα, χρησιμοποιήθηκε η μέθοδος της δειγματοληψίας σπουδαιότητας (Importance Sampling) και ο υβριδικός δειγματολήπτης Gibbs, δηλαδή ένας δειγματολήπτης Gibbs στον οποίο τουλάχιστον μια προσομοίωση από την πλήρη δεσμευμένη κατανομή έχει αντικατασταθεί από ένα βήμα Metropolis, καθώς δεν μπορεί να γίνει απευθείας προσομοίωση από αυτή λόγω της πολύπλοκης μορφής της. Τέλος, χρησιμοποιήθηκε και η μη παραμετρική μέθοδος Hill, ως εναλλακτική των εκτιμήσεων που γίνονται με βάση τη Γενικευμένη Pareto.
Για την πειραματική μελέτη των τεχνικών εκτίμησης της Αξίας σε Κίνδυνο και του Αναμενόμενου Ελλείμματος που αναφέρθηκαν προηγουμένως, χρησιμοποιήθηκαν πραγματικά δεδομένα κίνησης τεσσάρων χρηματιστηριακών δεικτών και τεσσάρων χρηματιστηριακών προϊόντων (μετοχών). Τέλος, για την εφαρμογή αξιοποιήθηκαν πακέτα διαθέσιμα στη στατιστική γλώσσα προγραμματισμού R ενώ συμπληρωματικά δημιουργήθηκε κώδικας R όπου αυτό απαιτήθηκε.
|
|---|
