Valor en Riesgo mediante un modelo heterocedástico condicional α-estable.

Abstract

ResumenEl objetivo de esta investigación es describir y comparar la estimación del Valor en Riesgo (VaR), considerando un modelo GARCH univariado con la innovación de la distribución α-estable. Los resultados estadísticos sugieren que el modelo VaR α-estable proporciona estimaciones del VaR más precisas que el modelo bajo la hipótesis gaussiana, el cual subestima significativamente el VaR en períodos de alta volatilidad. Por el contrario, en el período posterior a la crisis, el VaR al 95% bajo la hipótesis gaussiana muestra resultados aceptables y el obtenido bajo el modelo α-estable se encuentra por debajo del rango admisible. La principal aportación de esta investigación es que propone una distribución condicional alternativa para los rendimientos de los precios de los activos en el mercado financiero mexicano, considerando un modelo GARCH con la innovación de la distribución α-estable. Porúltimo, esta investigación proporciona evidencia de que el modelo VaR α-estable estima satisfactoriamente el VaR para niveles altos de confianza incluso en períodos de alta volatilidad. En contraste, en períodos de relativa tranquilidad para niveles de confianza bajos este modelo sobrestima las pérdidas potenciales. is below the admissible range. The main contribution of this research is that it proposes an alternative conditional distribution for asset price yields in the Mexican financial market, considering a GARCH model with the innovation of the α-stable distribution. Finally, this research provides evidence that the α-stable VaR model satisfactorily estimates the VaR for high levels of confidence even in periods of high volatility. In contrast, in periods of relative financial tranquility for low confidence levels, this model overestimates potential losses.JEL Classification: G17, C22, C13.

A conditional heteroscedastic VaR approach with alternative distributions

“…Similarly, Mohammadi (2017) analyzed the volatility predictive performance of the stable-gaRch and stable power-gaRch models and applied this method for predicting future values of the S&P500 stock market. Khindanova, Rachev, & Schwartz (2001) applied stable distribution in VaR modeling the forecast evaluation shows that stable VaR outperforms the normal modeling, Serrano & Mata (2018) compared the VaR estimation under the stable and normal gaRch approach before, during and after a crisis period, the results provide evidence that the stable model provides better VaR estimates than the normal one during a crisis period but in tranquility periods, it overestimates the potential losses.…”