FX exposure and scenario analysis: VAR forecasting and GARCH simulation - case study 07

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 sa venuje hodnoteniu menovej expozície firmy, ktorá dováža motory z Indie za americké doláre, takže kurz USD/EUR priamo ovplyvňuje jej ziskovosť. Na príklade sa ukazuje, že pohyb kurzu v rozsahu historických hodnôt môže zmeniť cenu vozidla o miliony eur bez akejkoľvek investície zo strany firmy. Na prognózu kurzu na päť rokov sa navrhuje makromodel založený na nekrytej úrokovej parite s premennými ako rozdiel výnosov štátnych dlhopisov, inflácia, produkčná medzera (HP filter) a recesné dummy premenné. Použije sa vektorová autoregresia (VAR) s trénovacím a testovacím obdobím, pričom dôležité je poradie premenných a problém endogenity.

  • - Menová expozícia firmy vzniká importom motorov z Indie za USD, takže kurz USD/EUR ovplyvňuje zisk.
  • - Zmena kurzu v historickom rozpätí môže zmeniť cenu vozidla o miliony eur bez zásahu firmy.
  • - Kurz sa dá prognózovať makromodelom vychádzajúcim z nekrytej úrokovej parity (rozdiel výnosov dlhopisov, inflácia, produkčná medzera, recesie).
  • - HP filter má problém koncového bodu, preto bola produkčná medzera z modelu vypustená.
  • - VAR model rieši endogenitu a spätné väzby medzi makropremennými, na rozdiel od klasickej regresie.
  • - Poradie premenných vo VAR (od inflácie po kurz) je kľúčové a výsledky môžu byť citlivé na jeho zmenu.
  • - Dáta sa delia na trénovacie (cca 90 %) a testovacie obdobie, pričom blízkosť COVID-u môže skresliť výsledky.

Zhrnutie pripravené s pomocou AI z prepisu videa.