ВВЕДЕНИЕ 2
1. ОСНОВНЫЕ ПОНЯТИЯ 4
1.1 ФИНАНСОВЫЕ ВРЕМЕННЫЕ РЯДЫ 4
1.2 ВОЛАТИЛЬНОСТЬ И ЕЕ ХАРАКТЕРИСТИКИ 5
1.3 VALUE AT RISK 6
2 ПОСТАНОВКА ЗАДАЧИ 8
2.1 ПРОГНОЗИРОВАНИЕ ВОЛАТИЛЬНОСТИ 9
2.2 ПОСТРОЕНИЕ И ПРИМЕНЕНИЕ VALUE AT RISK 9
3. РЕАЛИЗАЦИЯ ОПТИМАЛЬНОЙ МОДЕЛИ GARCH ДЛЯ ФИНАНСОВЫХ
РЫНКОВ 10
3.1 ИССЛЕДОВАНИЕ НАУЧНЫХ РАБОТ 10
3.2 ВЫБОР ОПТИМАЛЬНОЙ МОДЕЛИ НА ОСНОВЕ СУЩЕСТВУЮЩИХ
ИССЛЕДОВАНИЙ 13
3.3 ПРИМЕНЕНИЕ МОДЕЛИ ТИПА GARCH К ИНДЕКСУ МОСБИРЖИ 14
4. МЕТОД ПРОГНОЗИРОВАНИЯ VALUE AT RISK 19
4.1 ИЗУЧЕНИЕ НАУЧНЫХ РАБОТ 19
4.2 СИСТЕМА АВТОМАТИЗИРОВАННОГО ВЫЧИСЛЕНИЯ VALUE AT RISK
20
5. ОЦЕНКА РЕЗУЛЬТАТОВ 30
6. ЗАКЛЮЧЕНИЕ 35
7. РЕКОМЕНДАЦИИ К ДАЛЬНЕЙШЕМУ ИССЛЕДОВАНИЮ 36
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 37
ПРИЛОЖЕНИЕ 1 39
Финансовые рынки становятся все более сложными и глобальными, из-за подверженности различным видам рисков. Из всех финансовых рисков наиболее всеобъемлющими являются рыночные риски, а наиболее сложными для анализа являются рынки развивающихся стран. На рынках экономически развитых стран у инвесторов в наличии большое количество финансовых инструментов, а степень рисков меньше из-за лучшей юридической защищенности. Помимо того, что рынки развивающихся стран не обладают вышеперечисленными достоинствами, они к тому же до сих пор не очень хорошо изучены, поэтому у инвесторов нет достаточной информации, чтобы решить - стоит ли рисковать. Но все же в последние годы интерес инвесторов к развивающимся странам возрос. Все чаще в развивающихся странах ужесточается политика в денежно-кредитной сфере, проводятся меры по борьбе с инфляцией. Рейтинги многих развивающихся стран растут, и это повышает всеобщий интерес к ним. Однако неразвитая нормативно-правовая сторона и политическая нестабильность все еще являются поводом для опаски инвесторов, чтобы вкладывать в экономики таких стран собственные средства. Тем не менее, процесс массового вложения капитала уже начался [1].
Россия - пример страны с развивающейся экономикой. В настоящий момент правительством РФ предпринимаются усиленные меры по укреплению экономической стабильности в стране, и интерес инвесторов к рынку России начинает повышаться. Принимая во внимание приведенные выше факты, выбор пал на рассмотрение Московской биржи, как основного источника данных для анализа моделей. Помимо индекса Московской биржи, были также рассмотрены различные индексы стран БРИКС, чтобы оценить применимость предлагаемой модели для развивающихся рынков в целом.
Качественное прогнозирование рисков имеет первостепенное значение. Одним из самых востребованных инструментов прогнозирования рисков в современном риск-менеджменте является Value at Risk [2]. Однако модели VaR могут показывать разные результаты, и это делает для финансовых аналитиков задачу по выбору подходящей реализации VaR нетривиальной. Стандартных методов по определению лучшей модели не существует. Именно поэтому так важна задача оценки различных моделей VaR и выбор наиболее подходящих методов ее применения.
В связи с частыми финансовыми кризисами вопрос исследования VaR в условиях экстремальных рыночных рисков стоит очень остро. Наиболее известный метод, исследующий волатильность - показатель, на который имеет смысл обратить особое внимание при угрозе кризиса - является GARCH [2]. Именно на этот метод было решено обратить особое внимание при выборе исследуемой реализации VaR.
В данной работе были рассмотрены методы построения моделей Value at Risk, а так же применен алгоритм, который позволяет определить наиболее эффективную модель из числа реализованных для выбранного набора данных, применить ее и проанализировать точность прогноза. Для исследования были выбраны исторические ценовые данные индексов с высоким уровнем волатильности. По этой причине было решено использовать в построении моделей VaR в том числе и модели типа GARCH, ориентированные на данные с высоким уровнем волатильности.
Было построено шесть моделей Value at Risk, две из которых использовали модель EGARCH для прогнозирования риска, а остальные 4 были построены с помощью различных распределений. Итогом данной работы стал практический алгоритм, обобщивший работу всех шести моделей, и самостоятельно принимающий решение, какую из них наиболее оптимально применить для конкретных входных данных. Полученный алгоритм может стать шаблоном для дальнейших исследований, в том числе для исследования данных с другими свойствами, нежели те, что были рассмотрены в данной работе. Рекомендации по возможным путям улучшения работы данного алгоритма, а так же вариантам дальнейших исследований приведены в главе 7.
