Show simple item record

dc.contributor.authorHamidi, Benjamin*
dc.contributor.authorHurlin, Christophe*
dc.contributor.authorKouontchou, Patrick*
dc.contributor.authorMaillet, Bertrand B.*
dc.date.accessioned2015-06-22T07:46:50Z
dc.date.available2015-06-22T07:46:50Z
dc.date.issued2015
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/15232
dc.description.abstractfrCet article introduit une nouvelle classe de modèles pour la Value-at-Risk (VaR) et l’Expected Shortfall (ES), appelés modèles Dynamic AutoRegressive Expectiles (DARE). Notre approche est fondée sur une moyenne pondérée de modèles de VaR et d’ES, calculés à partir des expectiles, i.e. les modèles Conditional Autoregressive Expectile (CARE) introduits par Taylor (2008a) et Kuan et al. (2009). Premièrement, nous recensons brièvement les principales approches non paramétriques, paramétriques et semi paramétriques d’estimation de la VaR et de l’ES. Deuxièmement, nous détaillons l’approche DARE et montrons comment les expectiles peuvent être utilisés pour estimer ces mesures de risque. Troisièmement, nous utilisons différents tests de validation (backtesting) afin de comparer l’approche DARE à différentes méthodes alternatives de prévision de la VaR. Finalement, nous évaluons l’impact du choix des pondérations sur la qualité des prévisions et déterminons les poids optimaux dans le but de sélectionner de façon dynamique le modèle de prévision le plus adapté.en
dc.language.isofren
dc.subjectExpected Shortfallen
dc.subjectValue-at-Risken
dc.subjectExpectileen
dc.subjectRisk Measuresen
dc.subjectBacktestsen
dc.subject.ddc332en
dc.subject.classificationjelC14en
dc.subject.classificationjelC15en
dc.subject.classificationjelC50en
dc.subject.classificationjelC61en
dc.subject.classificationjelG11en
dc.titleA DARE for VaRen
dc.typeArticle accepté pour publication ou publié
dc.contributor.editoruniversityotherUniversity of Lorraine;France
dc.contributor.editoruniversityotherUniversity of Orleans;France
dc.description.abstractenThis paper introduces a new class of models for the Value-at-Risk (VaR) and Expected Shortfall (ES), called the Dynamic AutoRegressive Expectiles (DARE) models. Our approach is based on a weighted average of expectile-based VaR and ES models, i.e. the Conditional Autoregressive Expectile (CARE) models introduced by Taylor (2008a) and Kuan et al. (2009). First, we briefly present the main non-parametric, parametric and semi-parametric estimation methods for VaR and ES. Secondly, we detail the DARE approach and show how the expectiles can be used to estimate quantile risk measures. Thirdly, we use various backtesting tests to compare the DARE approach to other traditional methods for computing VaR forecasts on the French stock market. Finally, we evaluate the impact of several conditional weighting functions and determine the optimal weights in order to dynamically select the more relevant global quantile model.en
dc.relation.isversionofjnlnameFinance
dc.relation.isversionofjnlvol36en
dc.relation.isversionofjnlissue1en
dc.relation.isversionofjnldate2015
dc.relation.isversionofjnlpages7-38en
dc.relation.isversionofjnlpublisherPresses univ. de Grenobleen
dc.subject.ddclabelEconomie financièreen
dc.relation.forthcomingnonen
dc.relation.forthcomingprintnonen
hal.person.labIds*
hal.person.labIds*
hal.person.labIds*
hal.person.labIds*


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record