Financial Risk Management with Bayesian Estimation of GARCH Models: Theory and Applications

دیوید آردیا برای تک نگاری عالی خود برنده جایزه Chorafas در سال 2008 در دانشگاه فریبورگ سوئیس شد.

این کتاب روش‌شناسی را برای تخمین بیزی مدل‌های GARCH ارائه می‌کند. و کاربرد آنها در مدیریت ریسک مالی. مطالعه این مدل ها از دیدگاه بیزی نسبتاً جدید است و به دلیل مزایای رویکرد بیزی، به ویژه امکان به دست آوردن نتایج نمونه کوچک و ادغام این نتایج در یک مدل تصمیم گیری رسمی، می تواند بسیار امیدوارکننده در نظر گرفته شود. دو فصل اول کار را معرفی می کند و یک نمای کلی از پارادایم بیزی برای استنتاج ارائه می دهد. سه فصل بعدی تخمین مدل GARCH با نوآوری های نرمال و مدل های رگرسیون خطی با خطاهای Normal شرطی و Student-t-GJR را شرح می دهد. فصل ششم نشان می‌دهد که چگونه عواملی که با دیدگاه‌های مختلف ریسک روبرو هستند، می‌توانند ارزش بهینه در معرض خطر خود را تخمین نقطه‌ای بیزی انتخاب کنند و مستند می‌کند که تفاوت‌های بین افراد می‌تواند از نظر سرمایه نظارتی قابل توجه باشد. فصل آخر تخمین مدل GJR سوئیچینگ مارکوف را پیشنهاد می کند.

For his excellent monograph, David Ardia won the Chorafas prize 2008 at the University of Fribourg Switzerland.

This book presents methodologies for the Bayesian estimation of GARCH models and their application to financial risk management. The study of these models from a Bayesian viewpoint is relatively recent and can be considered very promising due to the advantages of the Bayesian approach, in particular the possibility of obtaining small-sample results and integrating these results in a formal decision model. The first two chapters introduce the work and give an overview of the Bayesian paradigm for inference. The next three chapters describe the estimation of the GARCH model with Normal innovations and the linear regression models with conditionally Normal and Student-t-GJR errors. The sixth chapter shows how agents facing different risk perspectives can select their optimal Value at Risk Bayesian point estimate and documents that the differences between individuals can be substantial in terms of regulatory capital. The last chapter proposes the estimation of a Markov-switching GJR model.