Vis enkel innførsel

dc.contributor.advisorWestgaard, Sjur
dc.contributor.advisorde Lange, Petter Eilif
dc.contributor.authorRisstad, Morten
dc.date.accessioned2023-01-10T10:33:08Z
dc.date.available2023-01-10T10:33:08Z
dc.date.issued2022
dc.identifier.isbn978-82-326-5325-6
dc.identifier.issn2703-8084
dc.identifier.urihttps://hdl.handle.net/11250/3042264
dc.description.abstractNorsk sammendrag Denne avhandlingen er relevant for et antall interessenter; heriblant sentralbanker, myndigheter, finansinstitusjoner og andre kommersielle aktører. De fire artiklene som avhandlingen består av har til felles at de adresserer anvendte problemer relatert til verdsettelse av finansielle instrumenter og finansiell risikostyring. Én av artiklene analyserer norske data, mens de resterende tre artiklene anvender internasjonale data. Artiklene I og IV handler om valutakursusikkerhet, mens artiklene II og III handler om modellering av rentekurver. Artiklene I og IV gjør bruk av fremadskuende informasjon avledet fra opsjonspriser for å anslå usikkerhet i vekslingskursen mellom euro og dollar (EUR/USD). Begge artiklene tar utgangspunkt i organiseringen av interbankmarkedet for valutaopsjoner. I dette markedet kvoterer aktørene implisitt volatilitet for opsjoner med standardiserte kontraktskurser og for løpetider fra én dag til flere år. Dette utgjør en tidsserie av meget god kvalitet som er velegnet for empirisk analyse. I artikkel I utvikler vi en Value-at-Risk (VaR) modell basert på kvantilregresjon og direkte observerbare implisitte volatiliteter. Den foreslåtte modellen gir meget gode resultater sammenlignet med et sett av veletablerte modeller. I artikkel IV brukes maskinlæring til å finne optimale lineære kombinasjoner av implisitt volatilitet for å anslå fremtidig realisert volatilitet. Den typiske tilnærmingen blant både praktikere og akademikere er å fokusere ad-hoc på én bestemt løpetid. Empirisk analyse i artikkel IV dokumenterer at den foreslåtte modellen, som kombinerer informasjon fra et sett av opsjoner, har bedre prediksjonskraft. Artikkel II utvikler en modell for å anslå rentekurvens utfallsrom. Artikkelens viktigste bidrag er en multivariat faktormodell som fanger opp kjente økonometriske utfordringer knyttet til rentens statistiske egenskaper. Modellen bygger på prinsipalkomponent-analyse (PCA) og kvantilregresjon. Renten på statsobligasjoner består av to ikke-observerbare komponenter. Den første komponenten reflekterer forventninger til framtidig inflasjon og kortsiktige realrenter, mens den andre komponenten er en risikopremie. I artikkel III anvender vi fire ulike dynamiske modeller for rentens terminstruktur på et oppdatert datasett for å estimere denne risikopremien, ofte omtalt som rentens terminpremie, i norske statsobligasjonsrenter.en_US
dc.description.abstractEnglish summary This thesis is relevant for a diverse set of stakeholders, including central banks, financial institutions, regulatory bodies and corporate entities. The four papers comprising the thesis are related in that they address applied problems in the realm of financial risk quantification and asset pricing. One of the papers analyzes Norwegian data, whereas the remaining three papers use international data. Papers I and IV relate to foreign exchange rate risk, while papers II and III relate to yield curve modeling. Papers I and IV utilize forward-looking information embedded in option market prices to estimate uncertainty in the EUR/USD spot exchange rate. Both papers exploit institutional features specific to the interbank FX option market, in that dealers quote implied volatilities of options with standardized strikes and maturities every day, ranging from one day to several years. This constitutes a high-quality time series especially useful for empirical analysis. Paper I develops a parsimonious Value-at-Risk (VaR) forecasting model based on quantile regression and combinations of directly observable implied volatilities. The proposed model performs highly satisfactory in- and out-of-sample when compared to a broad set of well-established benchmark models. Paper IV uses machine learning to find optimal linear combinations of implied volatilities to forecast realized volatility, exploiting the full implied volatility term structure. Empirical results show that the proposed model is superior to the single-maturity models typically applied by both practitioners and empirical researchers. Paper II combines estimates of conditional principal component volatilities in a quantile regression framework to infer distributional yield curve estimates. The main contribution of the paper lies in alleviating well-known challenges of capturing the stochastic properties of the yield curve in multi-variate parametric models. Yields on government securities can generally be thought of as containing two separable components. The first component reflects expectations of future inflation and short-term real risk-free rates, while the other is a risk premium. Paper III estimates these unobservable risk premia - often referred to as term premia - in Norwegian government bond yields, using an up-to-date sample and four different dynamic term structure models.en_US
dc.language.isoengen_US
dc.publisherNTNUen_US
dc.relation.ispartofseriesDoctoral theses at NTNU;2022:364
dc.titleEssays in Financial Economicsen_US
dc.typeDoctoral thesisen_US
dc.subject.nsiVDP::Samfunnsvitenskap: 200::Økonomi: 210en_US
dc.description.localcodeFulltext not availableen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel