아시아 이머징 주식시장에서의 VaR 분석: 수익률 분포의 비대칭성과 꼬리가 두터운 특징을 중심으로 (아시아 이머징 주식시장에서의 VaR 분석: 수익률 분포의 비대칭성과 꼬리가 두터운 특징을 중심으로)

서지정보

· 발행기관 : 한국금융공학회
· 수록지 정보 : 2014년도 상반기 정기학술회의 / 415 ~ 446페이지
· 저자명 : 노현승, 강상훈

초록

본 연구는 아시아 이머징 주식시장 MSCI지수 수익률을 사용하여 변동성의 장기기억 특성을 나타내는 AR(1)-FIGARCH 와 AR(1)-FIAPARCH 모형을 이용하여 수익률 분포도 가정의 적합도를 실증 분석하였다. 즉, 정규분포, Student-t 분포, Skewed student-t 분포 등을 이용하여 어떤 분포도가 모형에 보다 더 정확한 VaR 를 추정할 수 있는지를 실증 분석하였다. 실증분석 결과 아시아 이머징 시장 변동성에 장기기억과 비대칭성이 존재하는 것으로 분석 되었다. 이는 주식시장에 충격이 소멸되지 않고 장기간 지속되는 것을 의미한다. 또한, 투자자들은 나쁜 충격에 민감하게 반응하는 것으로 분석 되었다. 마지막으로 표본내 VaR분석의 정확성 검정 결과 정규분포나 Student-t 분포를 가정한 모형보다는 skewed Student-t 분포를 가정한 모형이, 그리고 FIGARCH 모형보다는 FIAPARCH 모형이 다른 변동성 모형들보다 근소하지만 우월한 VaR 성과를 나타내었다. 하지만 표본외 VaR 분석의 정확성 검정 결과, 검정 모형에 따라서 다소 차이가 났으며, 일부 국가에서는 정규분포를 가정한 FIGARCH 모형이 전반적으로 우월한 VaR 측정성과를 나타내는 등 특별히 우월한 VaR 성과를 나타내는 모형을 찾을 수 없었다. 이는 복잡한 모형들이 항상 VaR 측정에 최적의 모형이 아님을 알 수 있었다. 하지만 본 연구에서 아시아 이머징 주식시장에 변동성의 비대칭성, 장기기억, 변동성 군집현상, 레버리지 효과 등의 대표적인 특징이 존재하는 것으로 나타났고, 표본내 분석에서 변동성의 특징들을 잘 나타내는 skewed Student-t 분포를 적용한 FIAPARCH 모형이 다른 모형에 비해 우월한 성과를 나타낸 만큼, 위험관리자나 투자자들은 변동성의 특징을 고려한 최적의 VaR 모형의 선택이 필요할 것이다

영어초록

In this paper, we investigate the relevance of the skewed Student-t distribution innovation in capturing long memory and asymmetric features in the volatility of five Asian emerging stock markets. In this perspective, we compare the performance of in-sample and out-of-sample Value-at-Risk(VaR) analysis using the AR(1)-FIGARCH and AR(1)-FIAPARCH models with the normal, Student-t and skewed Student-t distributions. Our empirical results indicated that the AR(1)-FIAPARCH model is more appropriate in estimating long memory and asymmetric features in the volatility of all stock returns. In addition, the in-sample VaR analysis confirms that the FIAPARCH model with the skewed Student-t innovation predicted critical loss more accurately than did the models with the normal and Student-t innovations for both long and short positions. However, the out-of-sample analysis do not point out superior models with different distributions, implying that models with complicated assumptions are not the best model for VaR estimations.

참고자료

· 없음