This thesis aims to discern what factors and assumptions are the most important in market risk modeling through examining a broad range of models, for different risk measures (VaR0.01, S0:01 and ES0:025) and using hierarchical clustering to identify similarities and dissimilarities between the models. The data used is daily log returns for OMXS30 stock index and Bloomberg Barclays US aggregate bond index (AGG) from which daily risk estimates are simulated. In total, 33 market risk models are included in the study. These models consist of unconditional variance models (Student's t distribution, Normal distribution, Historical simulation and Extreme Value Theory (EVT) with Generalized Pareto Tails (GPD)) and conditional variance models (ARCH, GARCH, GJR-GARCH and EGARCH). The conditional models are used in filtered and unfiltered market risk models. The hierarchical clustering is done for all risk measures and for both time series, and a comparison is made between VaR0:01 and ES0:025. The thesis shows that the most important assumption is whether the models have conditional or unconditional variance. The hierarchy for assumptions then differ depending on time series and risk measure. For OMXS30, the clusters for VaR0:01 and ES0:025 are the same and the largest dividing factors for the conditional models are (in descending order): Leverage component (EGARCH or GJR-GARCH models) or no leverage component (GARCH or ARCH) Filtered or unfiltered models Type of variance model (EGARCH/GJR-GARCH and GARCH/ARCH) The ES0:01 cluster shows that ES0:01 puts a higher emphasis on normality or non-normality assumptions in the models. The similarities in the different clusters are more prominent for OMXS30 than for AGG. The hierarchical clustering for AGG is also more sensitive to the choice of risk measure. For AGG the variance models are generally less important and more focus lies in the assumed distributions in the variance models (normal innovations or student's t innovations) and the assumed final log return distribution (Normal, Student's t, HS or EVT-tails). In the lowest level clusters, the transition from VaR0:01 to ES0:025 result in a smaller model disagreement. / Denna uppsats syfte är att utröna vilka faktorer och antaganden som är de viktigaste i marknadsriskmodellering genom att undersöka en mängd modeller, för riskmåtten (VaR0.01, S0:01 and ES0:025 ) och genom hierarkisk klustring identifiera likheter och skillnader mellan modellerna Datan som används är dagliga log-returns för OMXS30 och Bloomberg Barclays US aggregate bond index (AGG) från vilka dagliga riskestimat simuleras. Totalt används 33 marknadsriskmodeller i denna studie. Dessa modeller består av mod- eller med obetingad varians (Student’s t-fördelning, normalfördelning, historisk simulering och extremevärdeteori med Generalized Pareto svansar i fördelningen (GPD)) och modeller med betingad varians (ARCH, GARCH, GJR-GARCH och EGARCH). De betingade vari-ansmodellerna används som filtrerade och ofiltrerade modeller. Den hierarkiska klustringen görs för alla riskmått och för båda tidsserierna. En jämförelse görs mellan VaR0:01 och ES0:025. Denna studie visar att det viktigaste antagande är om modellerna har betingad eller obetingad varians. Sedan skiljer hierarkin gällande vilka antaganden som är viktigast beroende på tidsserie och riskmått. För OMXS30 är klustrena för VaR0.01 och ES0.025 likadana och de viktigaste faktorerna i modelleringen är (i sjunkande ordning): Leverage-komponent (EGARCH or GJR-GARCH models) eller ingen leverage-komponen(GARCH or ARCH) Filtrerad eller ofiltrerad modell Typ av variansmodellering (EGARCH/GJR-GARCH and GARCH/ARCH) Klustret för ES0:01 visar att ES0:01 sätter en större vikt vid antagandet om normalfördelning eller inte normalfördelning i modellerna. Likheterna i de olika klustrena är mer framträdande för OMXS30 än för AGG. Klustren för AGG är även mer känsliga för valet av riskmått. För AGG är de olika valen av varians-modell generellt sett mindre viktiga och fokus ligger istället på den antagna fördelningen i variansmodellerna (normalfördelade eller Student t-fördelade) och den antagna slutgiltiga fördelningen (normal, Student’s t, historisk simulering eller EVT). I de lägsta nivåern i klustrena resulterar bytet från VaR0:01 till ES0:025 i en mindre spridning mellan modellerna.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-208307 |
| Date | January 2017 |
| Creators | Pucek, Ludvig, Sonebäck, Viktor |
| Publisher | KTH, Matematisk statistik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-MAT-E ; 2017:26 |
Page generated in 0.0017 seconds