10. eloszlások, VaR, VaR-GARCH, fedezés

Zdroj
ručne priradené
Pridané

Pozrieť na YouTube →

Preber si túto prednášku so svojou AI

Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.

Otvoriť AI: ChatGPT · Claude · Gemini

Zhrnutie prednášky

Prednáška ukazuje v MATLABe prácu s logaritmickými zmenami (výnosmi) výmenného kurzu českej koruny a forintu a hľadanie vhodného rozdelenia pre tieto dáta. Histogram odhaľuje, že normálne rozdelenie podhodnocuje hrubé chvosty a extrémne pohyby, preto sa porovnávajú Paretovo, Weibullovo a zovšeobecnené rozdelenie extrémnych hodnôt (GEV), ktoré chvosty modeluje najlepšie. Weibull vyžaduje kladné hodnoty, takže sa kladné a záporné zmeny fitujú osobitne. Druhá časť zavádza Value at Risk (VaR) na 5 % hladine, pomocou ktorého sa extrémne dni identifikujú a z radu odstránia; zhluky extrémov sa viažu na krízu okolo roku 2008. Očistený rad už vyzerá takmer normálne a nakoniec sa nadhadzuje otázka presnejšieho odhadu VaR.

  • - Logaritmické zmeny kurzu CZK/HUF majú striedanie pokojných období a prudkých výkyvov.
  • - Normálne rozdelenie nepostihuje hrubé chvosty, extrémne pohyby sú častejšie, než predpokladá.
  • - Zovšeobecnené rozdelenie extrémnych hodnôt (GEV) a Paretovo rozdelenie opisujú chvosty lepšie než normálne.
  • - Weibullovo rozdelenie vyžaduje kladné hodnoty, preto sa kladné a záporné zmeny fitujú osobitne.
  • - Value at Risk (5 %) označuje extrémne dni; tie sa zhlukujú najmä v období krízy 2008.
  • - Po odstránení extrémov sa rad podobá normálnemu rozdeleniu, ale trhové šoky vytvárajú ďalšie výchylky.
  • - Parametre rozdelení (napr. μ a σ pri normálnom, k pri GEV) sa dajú využiť aj na simuláciu podobných radov.

Zhrnutie pripravené s pomocou AI z prepisu videa.