On range value at risk backtesting : a study from expected shortfall procedures

• Ano de defesa: 2023
• Autor(a) principal: Moura, Henrique Rodenbusch de
• Orientador(a): Müller, Fernanda Maria
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Administração financeira; Risco financeiro; Gerenciamento de riscos; Mercado financeiro; Previsão
• Palavras-chave em Inglês: Risk forecasting; Risk measures; Range Value at Risk (RVaR); Backtesting; Monte Carlo simulation
• Link de acesso: http://hdl.handle.net/10183/267750

Previsões de risco desempenham um papel importante no processo de gerenciamento de risco, atraindo a atenção de organizações financeiras, reguladores e da comunidade acadêmica nas últimas décadas para desenvolver ferramentas melhores para medir o risco de mercado. Nesse contexto, modificamos ligeiramente as definições dos procedimentos de backtesting do Expected Shortfall (ES) com base em resíduos de excedentes, com o principal objetivo de torná-los eficazes na avaliação das previsões de risco do Range Value at Risk (RVaR). Para avaliar o desempenho de todos os procedimentos, conduzimos simulações de Monte Carlo para examinar as propriedades de tamanho e poder em diferentes cenários. Além disso, realizamos um exercício empírico com diferentes classes de ativos, janelas rolantes e níveis de significância. Em conjunto com cada backtest, aplicamos a função de perda do RVaR para avaliar os resultados e verificar se eles se mantiveram seguindo ambos os métodos. Identificamos que nenhum dos procedimentos de backtesting propostos exibe superioridade significativa sobre os outros tanto nas análises numéricas quanto na análise empírica. Além disso, o tamanho e o poder dos testes se deterioram à medida que o tamanho da amostra fora do período de amostragem aumenta. Além disso, com o aumento das observações dentro da amostra, observamos uma degradação dos tamanhos e uma melhoria dos poderes para dados gerados com distribuição normal nos níveis de significância de α = 1%,β = 2.5%. Para DGP’s com terceiro e quarto momentos, os procedimentos propostos exibem maiores poderes quando as previsões são realizadas usando a distribuição normal. Em relação à aplicação empírica, identificamos que os resultados seguem de perto ambos os métodos nos cenários de melhor desempenho, exibindo o oposto naqueles de pior desempenho.