Evaluating market risk models in financial risk management : a comparative analysis of value-at-risk and conditional value-at-risk using parallel computation
Lempinen, Juho (2024)
Pro gradu -tutkielma
2024
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024042622211
https://urn.fi/URN:NBN:fi-fe2024042622211
Tiivistelmä
This thesis examines the accuracy of Value-at-Risk (VaR) and Conditional Value-at-Risk (CVaR) metrics in measuring market risk using historical simulation and Monte Carlo simulation. In estimating market risk metrics, parallel computing is utilized, allowing for the comparison of model estimation times across different CPU counts as well as between personal computers and HPC environments. The accuracy of market risk models is assessed using the Unconditional Testing Method and Kupiec’s backtesting method.
The results suggest that CVaR measures market risk more accurately than VaR using both estimation methods. However, the results also reveal weaknesses in the sensitivity of both metrics to market risk measurement when a broad estimation window is employed. In a short case study conducted in the thesis, it was found that a narrow estimation window increased the model's accuracy The study found that the primary benefit of increased computational power was speed. Greater computational power used in model estimation provided significant speed advantages, especially in the Monte Carlo simulation, which requires more computational resources. Nevertheless, increased computational power did not facilitate better scalability of the calculations.
The findings indicate that the comparison of market risk measurements using market risk model and the effects of the estimation window are consistent with existing literature. The study also discovered that the advantages of increased computational power in the estimation of market risk indicators have not been researched, nor have these benefits been documented in the relevant literature. Tämä tutkielma tarkastelee Value-at-Risk (VaR) ja Conditional Value-at-Risk (CVaR) mittareiden tarkkuutta markkinariskin mittaamisessa käyttäen historiallista simulaatiota ja Monte Carlo -simulaatiota. Markkinariskimittareiden estimoinnissa hyödynnetään rinnakkaislaskentaa, joka mahdollistaa mallien estimointiajan vertailun eri CPU-määrien sekä henkilökohtaisten tietokoneiden ja HPC:n välillä Markkinariskimallien tarkkuutta arvioidaan Unconditional testausmenetelmän sekä Kupiecin jälkitestausmenetelmän avulla.
Tulokset viittaavat siihen, että CVaR mittaa markkinariskiä tarkemmin kuin VaR molemmilla estimointimenetelmillä. Tulokset kuitenkin paljastavat heikkouksia molempien mittareiden reagointi herkkyydessä markkinariskin mittaamisessa, kun käytetään laajaa estimointi-ikkunaa. Tutkimuksessa havaittiin, että suurin hyöty suuremmasta laskentatehosta oli laskentanopeuden kasvu. Mallien estimointiin käytetty suurempi laskentateho tarjosi merkittäviä nopeusetuja, erityisesti Monte Carlo -simulaatiossa, joka vaatii enemmän laskentatehoa. Suurempi laskentateho ei kuitenkaan mahdollistanut laskennan parempaa skaalautuvuutta.
Tulokset osoittavat, että markkinariskin mittaamisen vertailu markkinariskimallin avulla ja estimointi-ikkunan vaikutukset ovat yhdenmukaisia olemassa olevan kirjallisuuden kanssa. Tutkimuksessa havaittiin myös, että laskentatehon kasvun tuomia etuja markkinariskimittareiden estimoinnissa ei ole tutkittu, tai niiden etuja ei ole dokumentoitu aiheen kirjallisuudessa.
The results suggest that CVaR measures market risk more accurately than VaR using both estimation methods. However, the results also reveal weaknesses in the sensitivity of both metrics to market risk measurement when a broad estimation window is employed. In a short case study conducted in the thesis, it was found that a narrow estimation window increased the model's accuracy The study found that the primary benefit of increased computational power was speed. Greater computational power used in model estimation provided significant speed advantages, especially in the Monte Carlo simulation, which requires more computational resources. Nevertheless, increased computational power did not facilitate better scalability of the calculations.
The findings indicate that the comparison of market risk measurements using market risk model and the effects of the estimation window are consistent with existing literature. The study also discovered that the advantages of increased computational power in the estimation of market risk indicators have not been researched, nor have these benefits been documented in the relevant literature.
Tulokset viittaavat siihen, että CVaR mittaa markkinariskiä tarkemmin kuin VaR molemmilla estimointimenetelmillä. Tulokset kuitenkin paljastavat heikkouksia molempien mittareiden reagointi herkkyydessä markkinariskin mittaamisessa, kun käytetään laajaa estimointi-ikkunaa. Tutkimuksessa havaittiin, että suurin hyöty suuremmasta laskentatehosta oli laskentanopeuden kasvu. Mallien estimointiin käytetty suurempi laskentateho tarjosi merkittäviä nopeusetuja, erityisesti Monte Carlo -simulaatiossa, joka vaatii enemmän laskentatehoa. Suurempi laskentateho ei kuitenkaan mahdollistanut laskennan parempaa skaalautuvuutta.
Tulokset osoittavat, että markkinariskin mittaamisen vertailu markkinariskimallin avulla ja estimointi-ikkunan vaikutukset ovat yhdenmukaisia olemassa olevan kirjallisuuden kanssa. Tutkimuksessa havaittiin myös, että laskentatehon kasvun tuomia etuja markkinariskimittareiden estimoinnissa ei ole tutkittu, tai niiden etuja ei ole dokumentoitu aiheen kirjallisuudessa.