Not logged in.

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Evaluation der Predictive Performance verschiedener Value-at-Risk Modelle mittels Backtesting am Beispiel des Swiss Performance Index
Organization Unit
Authors
  • Granit Latifi
Supervisors
  • Steven Ongena
Language
  • German
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2023
Abstract Text In dieser Arbeit wird die Vorhersagekraft von vier verschiedenen Modellen zur Ermittlung des Value-at-Risk (VaR) empirisch untersucht. Der VaR stellt dabei eine Verlust-Vorhersage für ein Portfolio dar, welche mit einer bestimmten Wahrscheinlichkeit nicht unterschritten wird. Die Vorhersagen werden rollierend für 1500 Handelstage berechnet, wobei diese die Periode vom 16.01.2017 bis zum 30.12.2022 umfassen. Das bedeutet, dass die Vorhersage für den morgigen Zeitpunkt auf den am Vortag verfügbaren Informationen beruht. Das Aktienportfolio besteht aus einer Long-Position im Swiss Performance Index (SPI). Die Schätzung der Modellparameter, die Berechnung der Vorhersagen und das Backtesting erfolgen mit dem Statistikprogramm R. Zur Beurteilung der VaR-Vorhersagen werden diese mit den entsprechenden Renditen verglichen und mit vier Backtesting-Methoden evaluiert. Aus der Analyse geht hervor, dass das GJR-GARCH(1,1)-Modell mit schiefer t-Verteilung der Renditen die besten Vorhersagen liefert. Dieses Modell berücksichtigt auch die meisten empirisch beobachtbaren Eigenschaften der Renditen. Das historische Simulationsmodell wird in der Praxis zwar am häufigsten verwendet, führt aber aufgrund der trägen Anpassungsfähigkeit der VaR-Vorhersagen zu ungenügenden Ergebnissen im Backtesting.
Export BibTeX