Pilar Abad () (Universidad de Barcelona. Departamento de Econometría y Estadística.) Sonia Benito () (Universidad Nacional de Educación a Distancia (UNED). Departamento de Análisis Económico II)
Additional information is available for the following
registered author(s):
En este trabajo se compara la precisión de diferentes medidas de Valor en Riesgo (VaR) en carteras de renta fija calculadas a partir de diferentes modelos empíricos multifactoriales de la estructura temporal de los tipos de interés (ETTI). Los modelos incluidos en la comparativa son tres: (1) modelos de regresión, (2) componentes principales y (3) paramétricos. Adicionalmente, se incluye el sistema de cartografía que utiliza Riskmetrics. Dado que el cálculo de las medidas VaR con dichos modelos requiere el uso de una medida de volatilidad, en este trabajo se utilizan tres medidas distintas: medias móviles exponenciales, medias móviles equiponderadas y modelos GARCH. Por consiguiente, la comparación de la precisión de las medidas VaR tiene dos dimensiones: el modelo multifactorial y la medida de volatilidad. Respecto a los modelos multifactoriales, la evidencia presentada indica que el sistema de mapping o cartografía es el modelo más preciso cuando se calculan medidas VaR (5%). Por el contrario, a un nivel de confianza del 1% el modelo paramétrico (modelo de Nelson y Siegel) es el que genera medidas VaR más precisas. Respecto a las medidas de volatilidad los resultados indican que en general no hay una medida que funcione sistemáticamente mejor que el resto en todos los modelos. Salvo alguna excepción, los resultados obtenidos son independientes del horizonte para el cual se calcula el VaR, ya sea uno o diez días.
Download Info
To download:
If you experience problems downloading a file, check if you have the
proper application to
view it first. Information about this may be contained
in the File-Format links below. In case of further problems read
the IDEAS help
page. Note that these files are not on the IDEAS
site. Please be patient as the files may be large.