Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen:
https://hdl.handle.net/10419/337365 Autor:innen:
Erscheinungsjahr:
2024
Schriftenreihe/Nr.:
Statistische Diskussionsbeiträge No. 57
Verlag:
Universität Potsdam, Potsdam
Zusammenfassung:
Die Quantifizierung und Begrenzung extremer Wertverluste sind von zentraler Bedeutung für das finanzielle Risikomanagement. Besonders während volatiler Marktphasen tendieren traditionelle Risikomaße dazu, Risiken fehlerhaft einzuschätzen. Die Arbeit untersucht die Risikomaße Value at Risk (VaR) und Expected Shortfall (ES) hinsichtlich ihrer Fähigkeit, Verlustpotenziale während Stresssituationen präzise abzubilden. Dazu wird die Prognosefähigkeit dieser Maße unter verschiedenen Verteilungsannahmen und Gewichtungsmethoden analysiert. Unter anderem erfolgt eine systematische Überprüfung mittels Backtesting für den Untersuchungszeitraum. Die Analyse zeigt, dass Modelle mit einer t-Verteilung und einer exponentiellen Gewichtung historischer Daten eine höhere Vorhersagegenauigkeit aufweisen. Modelle mit Normalverteilungsannahme sind in Krisenzeiten besonders anfällig für Fehlprognosen. Alle untersuchten Modelle passen sich verzögert an veränderte Marktsituationen an, was zu einer anfänglichen Unterschätzung und späteren Überschätzung der Risiken führt. Die Anpassungslatenz variiert dabei je nach gewählter Gewichtung der historischen Daten. Implikationen für das Risikomanagement beinhalten eine regelmäßige Modellüberprüfung und die Implementierung umfassender Stresstests, um systematische Risikounterbewertungen zu vermeiden. Die Ergebnisse verdeutlichen die Notwendigkeit dynamischer Risikomodelle, die sich an volatile Marktbedingungen anpassen, um die finanzielle Stabilität der Kreditinstitute langfristig zu sichern.Die Quantifizierung und Begrenzung extremer Wertverluste sind von zentraler Bedeutung für das finanzielle Risikomanagement. Besonders während volatiler Marktphasen tendieren traditionelle Risikomaße dazu, Risiken fehlerhaft einzuschätzen. Die Arbeit untersucht die Risikomaße Value at Risk (VaR) und Expected Shortfall (ES) hinsichtlich ihrer Fähigkeit, Verlustpotenziale während Stresssituationen präzise abzubilden. Dazu wird die Prognosefähigkeit dieser Maße unter verschiedenen Verteilungsannahmen und Gewichtungsmethoden analysiert. Unter anderem erfolgt eine systematische Überprüfung mittels Backtesting für den Untersuchungszeitraum. Die Analyse zeigt, dass Modelle mit einer t-Verteilung und einer exponentiellen Gewichtung historischer Daten eine höhere Vorhersagegenauigkeit aufweisen. Modelle mit Normalverteilungsannahme sind in Krisenzeiten besonders anfällig für Fehlprognosen. Alle untersuchten Modelle passen sich verzögert an veränderte Marktsituationen an, was zu einer anfänglichen Unterschätzung und späteren Überschätzung der Risiken führt. Die Anpassungslatenz variiert dabei je nach gewählter Gewichtung der historischen Daten. Implikationen für das Risikomanagement beinhalten eine regelmäßige Modellüberprüfung und die Implementierung umfassender Stresstests, um systematische Risikounterbewertungen zu vermeiden. Die Ergebnisse verdeutlichen die Notwendigkeit dynamischer Risikomodelle, die sich an volatile Marktbedingungen anpassen, um die finanzielle Stabilität der Kreditinstitute langfristig zu sichern.… @The quantification and limitation of extreme losses are of central importance in financial risk management. Traditional risk measures tend to inaccurately assess risks, particularly during volatile market phases. This study examines the risk measures Value at Risk (VaR) and Expected Shortfall (ES) in terms of their ability to accurately capture potential losses during times of market stress. The predictive accuracy of these measures is analyzed under various distributional assumptions and weighting methods. Among other methods, a systematic evaluation using backtesting is conducted for the observation period. The findings indicate that models based on a t-distribution and exponential weighting of historical data demonstrate higher predictive power. Models assuming a normal distribution are especially prone to forecasting errors during crisis periods. All models examined exhibit a delayed response to changing market conditions, leading to initial underestimation followed by later overestimation of risks. The lag in model adaptation varies depending on the chosen weighting of historical data. Implications for risk management include regular model reviews and the implementation of comprehensive stress tests to avoid systematic underestimation of risks. The results underscore the necessity of dynamic risk models that adapt to volatile market conditions to ensure the long-term financial stability of credit institutions
Schlagwörter:
Systemic Risk
Backtesting
Historische Simulation
Risikomanagement
Value at Risk
Varianz-Kovarianz-Methode
Historical Simulation
Risk Management
Variance-covariance Method
Backtesting
Historische Simulation
Risikomanagement
Value at Risk
Varianz-Kovarianz-Methode
Historical Simulation
Risk Management
Variance-covariance Method
JEL:
C46
G17
G32
G17
G32
Persistent Identifier der Erstveröffentlichung:
Dokumentart:
Working Paper
Erscheint in der Sammlung:
Datei(en):
Datei
Beschreibung
Größe
Format
Publikationen in EconStor sind urheberrechtlich geschützt.