Downside risk measures: a comparison of risk models that account for outliers and parameter uncertainty

Abstract

O valor em risco (VaR) é o procedimento padrão que as instituições financeiras usam para gerenciar suas posições de ativos e evitar perdas drásticas. No entanto, a técnica recebeu várias críticas devido a deficiências nas previsões de risco, principalmente após a crise de 2008. As deficiências potenciais desses modelos estão associadas à incerteza de não conhecer o processo de geração de dados (DGP) e são refletidas em duas fontes, seja no erro de especificação do modelo ou no erro de estimativa de parâmetros. Portanto, os estimadores tradicionais usados para obter parâmetros GARCH que não levam em consideração esses fatores podem levar a erros de modelagem e interpretações errôneas. Nesse sentido, abordamos a questão com diferentes abordagens; permitindo a estimativa de modelos GARCH que consideram distribuições pesadas de retornos; calculando o VaR através da construção de densidades empíricas das realizações passadas e tratando os valores extremos presentes no nível e na volatilidade dos retornos para empregar previsões do VaR. Nossos resultados mostraram que a incorporação da incerteza em relação à especificação de erro do modelo é essencial para gerenciar o risco de ativos financeiros. Nossa principal contribuição está no fato de que os estimadores alternativos que contemplam o excesso de curtose da série geram previsões mais precisas de VaR do que os modelos padrão. Além disso, o tratamento de outliers presentes no retorno de ativos também é relevante para melhorar as previsões de risco. Mais importante, a inclusão desses procedimentos nas rotinas de risco pode ajudar não apenas a monitorar investimentos, mas também a evitar perdas inesperadas.

The Value-at-risk (VaR) is the standard procedure that financial institutions use to manage their assets positions and prevent from dramatic losses. However, the technique has received several criticisms due to shortcomings in the risk forecasts, especially after the 2008 crisis. Potential deficiencies of these models are associated with the uncertainty of not knowing the current data generating process (DGP) and are reflected in two sources, either in the model specification error or parameters estimation error. Therefore, traditional estimators used to obtain GARCH parameters that do not take these factors into account can lead to model misspecification and erroneous interpretations. In this regard, we tackle the issue with different approaches; by allowing the estimation of GARCH models that consider heavy-tails distributions of returns; by computing the VaR via the construction of empirical densities form past realisations, and treating outliers present in level and volatility of returns to employ VaR predictions. Our results have shown that incorporating the uncertainty regarding the model error speci fication is essential to manage the risk of financial assets. Our primary contribution lies in the fact that the alternative estimators that contemplate the excess kurtosis of the series generate more precise VaR predictions than the standard models. Furthermore, the treatment of outliers present in assets returns is also relevant to improve risk forecasts. More importantly, the inclusion of these procedures in the risk routines can help not only to monitor investments but also to avoid unexpected losses.