Modelación de la asimetría y la curtosis condicionales en series financieras colombianas
No. 76 (2016-01-01)Autor/a(es/as)
-
Andrés Eduardo Jiménez Gómez
-
Luis Fernando Melo Velandia
Resumen
Las metodologías tradicionales utilizadas para calcular el valor en riesgo y el valor en riesgo condicional usualmente modelan el primer y segundo momento de las series, suponiendo que el tercer y cuarto momento son constantes. En este artículo se utiliza la metodología de Hansen (1994) para modelar los primeros cuatro momentos de la serie y, en particular, se usan varias formas paramétricas para modelar la asimetría y la curtosis. Las medidas tradicionales de VaR y CVaR y las propuestas se calculan para la tasa representativa del mercado, los TES y el IGBC para el periodo comprendido entre enero de 2008 y febrero de 2014. En general, se encontró que las medidas de riesgo de mercado presentan mejor desempeño cuando se modelan la asimetría y la curtosis condicionales de la serie.
Referencias
Alexander, C. (2009). Market risk analysis, value at risk models (vol. 4). John Wiley & Sons.
Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent measures of risk. Mathematicalfinance, 9 (3), 203-228.
Becerra, O., & Melo, L. (2008). Medidas de riesgo financiero usando cópulas: teoría y aplicaciones (Borradores de Economía 489). Banco de la República.
Caporin, M. (2003). Evaluating value-at-risk measures in presence of long memory conditional volatility. GRETA, 5.
Christoffersen, P. F. (1998). Evaluating interval forecasts. International Economic Review, 841-862.
Christoffersen, P. F., Diebold, F. X., & Santomero, A. M. (2003). Elements of financial risk management. CiteSeer.
Ding, Z., Granger, C. W., & Engle, R. F. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1 (1), 83-106.
Dowd, K. (2003). An introduction to market risk measurement. John Wiley & Sons.
Durán, R., Lorenzo, A., & Ruiz, A. (2012). A GARCH model with autoregressive conditional asymmetry to model time-series: An application to the returns of the Mexican stock market index. Avances Recientes en Valuación de Activos y Administración de Riesgos, 4, 247-262.
Hansen, B. E. (1994). Autoregressive conditional density estimation. International Economic Review, 35(3), 705-730.
Jondeau, E., Poon, S.-H., & Rockinger, M. (2007). Financial modeling under non-Gaussian distributions. Springer.
Jondeau, E., & Rockinger, M. (2003). Conditional volatility, skewness, and kurtosis: Existence, persistence, and comovements. Journal of Economic Dynamics and Control, 27 (10), 1699-1737.
Jorion, P. (2007). Value at risk: The new benchmark for managing financial risk (vol. 3). Nueva York: McGraw-Hill.
Lai, J.-Y. (2012). Shock-dependent conditional skewness in international aggregate stock markets. The Quarterly Review of Economics and Finance, 52 (1), 72-83.
Lambert, P., & Laurent, S. (2002). Modelling skewness dynamics in series of financial data using skewed location-scale distributions (Discussion Paper 119). Louvain-la-Neuve: Institut de Statistique.
Leccadito, A., Boffelli, S., & Urga, G. (2014). Evaluating the accuracy of value-at-risk forecasts: New multilevel tests. International Journal of Forecasting, 30(2), 206-216.
López, J. A. (1998). Methods for evaluating value-at-risk estimates (Technical Report). Nueva York: Federal Reserve Bank.
McNeil, A. J., Frey, R., & Embrechts, P. (2010). Quantitative risk management: Concepts, techniques, and tools. Princeton: Princeton University Press.
Melo, L., & Becerra, O. (2006). Una aproximación a la dinámica de las tasas de interés de corto plazo en Colombia a través de modelos GARCH multivariados (Reporte Técnico). Banco de la República.
Morgan, J. (1996). Riskmetrics (Technical Document). Nueva York: Morgan Guaranty Trust Company.
Tsay, R. S. (2005). Analysis of financial time series (vol. 543). John Wiley & Sons.