Тестування ентропійної міри ризику EVaR на реальних даних

Анотація

Дослідження мір ризику є надзвичайно важливим для розуміння та управління невизначеностями, що властиві різним фінансовим та економічним активностям. Міри ризику надають кількісну оцінку потенційних втрат, що дає змогу бізнесу та фінансовим установам ухвалювати обґрунтовані рішення та зменшувати негативні наслідки. Основою пропонованого дослідження є дедалі більша складність і взаємопов’язаність фінансових ринків, що посилює вплив ризиків і потребує їхнього управління. Традиційні міри, такі як Value at Risk (VaR), широко використовуються, але їхні обмеження, особливо під час фінансових криз, підкреслюють необхідність більш комплексних підходів, таких як Expected Shortfall (ES) та Entropic Value at Risk (EVaR). Актуальність дослідження мір ризику підтверджується фінансовими потрясіннями, що спостерігалися під час глобальних криз, таких як фінансова криза 2008 р. та пандемія COVID-19. Ці події виявили вразливість наявних практик управління ризиками та підкреслили потребу в стійкіших і точніших інструментах оцінювання ризиків. Метою нашого дослідження є оцінка та порівняння різних мір ризику, надання уявлення про їхні переваги та недоліки, а також розроблення ефективніших стратегій управління ризиками. Проаналізовано ефективність ентропійної міри ризику Value-at-Risk (EVaR) на реальних фінансових даних, та виконано її порівняння з традиційними ризиковими мірами, такими як Value-at-Risk (VaR) та Conditional Value-at-Risk (CVaR). Розглянуто історичні дані щодо дохідності індексу S&P 500 та акцій Bank of America Corp. (2009–2019) та застосовано різні параметричні моделі, включно з моделями на основі нормального розподілу і розподілу Лапласа. Також використано стандартні методи бек-тестування (тести покриття та незалежності) для оцінювання емпіричної адекватності цих мір. Проведений аналіз підкреслює математичні властивості EVaR і здатність цієї міри ефективніше виявляти важкі хвости розподілу порівняно з VaR, забезпечуючи при цьому когерентні та потенційно надійніші оцінки в умовах волатильних ринків. Перспективи майбутніх досліджень передбачають розроблення нових мір ризику, які можуть краще враховувати системні ризики на фінансових ринках. Крім того, інтеграція машинного навчання та штучного інтелекту з традиційними мірами ризику відкриває можливості для підвищення точності та надійності прогнозів. Ці дослідження є важливими для побудови стійкіших фінансових систем і забезпечення економічної стабільності.