Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지

A numerical study on portfolio VaR forecasting based on conditional copula

조건부 코퓰라를 이용한 포트폴리오 위험 예측에 대한 실증 분석

  • Kim, Eun-Young (Department of Statistics, Hankuk University of Foreign Studies) ;
  • Lee, Tae-Wook (Department of Statistics, Hankuk University of Foreign Studies)
  • 김은정 (한국외국어대학교 통계학과) ;
  • 이태욱 (한국외국어대학교 통계학과)
  • Received : 2011.09.20
  • Accepted : 2011.10.31
  • Published : 2011.12.01
Download PDF
⟨ Previous Next ⟩

Abstract

During several decades, many researchers in the field of finance have studied Value at Risk (VaR) to measure the market risk. VaR indicates the worst loss over a target horizon such that there is a low, pre-specified probability that the actual loss will be larger (Jorion, 2006, p.106). In this paper, we compare conditional copula method with two conventional VaR forecasting methods based on simple moving average and exponentially weighted moving average for measuring the risk of the portfolio, consisting of two domestic stock indices. Through real data analysis, we conclude that the conditional copula method can improve the accuracy of portfolio VaR forecasting in the presence of high kurtosis and strong correlation in the data.

1990년대 중반 이후 금융 분야에서 가장 많은 관심을 받는 연구 주제 중의 하나는 대표적인 위험측정 방법인 VaR (Value at risk)이다. VaR는 주어진 신뢰수준에서 정상적인 시장조건을 가정할 때 선택한 목표기간 동안 발생할 수 있는 포트폴리오의 최대손실액으로 정의된다. 본 논문에서는 국내 주가지수 자료를 이용한 포트폴리오에 다변량 정규분포를 이용하는 VaR 예측 방법인 단순이동평균법과 지수가중이동평균법을 고려하여 VaR를 예측한 결과와 t 분포 및 조건부 코퓰라 (Copula) 함수를 이용하여 VaR를 예측한 결과를 비교 평가하였다. 자료 분석 결과에 의하면 포트폴리오 구성 종목 간에 종속성구조와 비정규성이 존재하는 경우에 t 분포와 조건부 코퓰라 방식을 이용하여 VaR 추정의 정확도를 높일 수 있다는 결론을 얻을 수 있었다.

Keywords

References

  1. 김주철, 김우환 (2009). <금융공학 연구노트>, 자유아카데미, 서울.
  2. 김철중, 윤만하 (2010). <신용위험측정>, 한국금융연수원, 서울.
  3. 이상진, 김기범 (2008). 단일변량모형과 다변량모형의 포트폴리오 VaR 측정 성과. <증권학회지>, 37, 877-913.
  4. Christoffersen, P. F. (1998). Evaluating interval forecasts. International Economic Review, 39, 841-861. https://doi.org/10.2307/2527341
  5. Franke, J., Hardle, W. K. and Hafner, C. M. (2008). Statistics of financial markets, Sprinker-Verlag, Berlin.
  6. Hong, C. and Kwon, T. (2010). Distribution fitting for the rate of return and value at risk. Journal of the Korean Data & Information Science Society, 21, 219-229.
  7. Hwang, C. and Shin, S. (2010). Estimating GARCH models using kernel machine learning. Journal of the Korean Data & Information Science Society, 21, 419-425.
  8. Jorion, P. (2006). Value at risk: The new benchmark for managing financial risk, McGraw-Hill, Boston.
  9. Kim, S. and Kim, J. (2009). Analysing financial time series data using the GARCH model. Journal of the Korean Data & Information Science Society, 20, 475-483.
  10. Lee, T. (2009). Numerical study on Jarque-Bera normality test for innovations of ARMA-GARCH models. Journal of the Korean Data & Information Science Society, 20, 453-458.
  11. Lee, T. and Ha, J. (2007). Testing the domestic financial data for the normality of the innovation based on the GARCH(1,1) model. Journal of the Korean Data & Information Science Society, 18, 809-815.
  12. Lee, S and Lee, T (2011). Value at risk forecasting based on Gaussian mixture ARMA-GARCH model. Journal of Statistical Computation and Simulation, 81, 1131-1144. https://doi.org/10.1080/00949651003752320
  13. Palaro, H. P. and Hotta, L. K. (2006). Using conditional copula to estimate Value at Risk. Journal of Data Science, 4, 93-115.