Tail risk forecasting with gas models

Abstract

Este artigo compara previsões de Value-at-Risk (VaR) e Expected Shortfall (ES) obtidas atrav es do modelo GAS proposto por Creal et al. (2013) com modelos alternativos. Primeiramente e feita uma investigação dentro-da-amostra do GAS semiparametrico de Blasques et al. (2014) e e proposta uma metodologia para a escolha da bandwidth. A parte empirica e realizada atraves de dois estudos distintos. O primeiro tem como foco explorar a capacidade preditiva da especificação semiparametrica contra modelos parametricos. A segunda compara os diversos modelos param etricos para avaliar se o aumento da complexidade do modelo tem impacto direto na qualidade da previsão de medidas de risco. O estudo empírico e conduzido com oito indices, quatro taxas de câmbio de moedas internacionais e duas taxas de câmbio de cripto-moedas. Os modelos são comparados em termos de Quantile Loss de Gonzales-Rivera (2014) e através do procedimento MCS de Hansen et al. (2011). Os resultados indicam que os modelos semiparam etricos melhoram a qualidade de previs~ao dos modelos GAS(n) para o VaR e a ES. Modelos mais complexos como Beta-Skew-t-EGARCH de Surracat e Harvey (2013) produzem melhores resultados que os modelos mais basicos. Contudo, utilizando o procedimento MCS encontramos que na maioria dos casos os modelos são estatisticamente equivalentes em termos da sua habilidade em prever o VaR.

This paper compares Value-At-Risk (VaR) and Expected Shortfall (ES) forecasts delivered by the recently developed GAS models of Creal et al. (2013) with alternative models. First, we perform an in-sample investigation of the Semiparametric model of Blasques et al. (2014) and propose a methodology for bandwidth selection. The empirical part is carried out through two studies. The rst aims to explore the semiparametric speci cation against its parametric counterparts. The second compares various parametric speci cations with the objective of evaluating whether increasing the model's complexity improves its ability to forecast risk measures. The empirical study is conducted with eight index series, four foreign exchange rates and two Crypto-Currency exchange rates. The models are compared in terms of Quantile Loss of Gonzales-Rivera (2014) and with the MCS procedure of Hansen et al. (2011). We nd that the semiparametric model enhance the forecasting ability of the GAS(n) model for both VaR and ES. More complex models such as the Beta-Skew-t-EGARCH two-components from Surracat and Harvey (2013), produced better results than less complex models. However by performing the MCS procedure we found that in most of cases the models are statistically equivalent in terms of the ability to forecast VaR levels.