Modeling the volatility of financial processes

DOI: 10.31673/2518-7678.2021.013642

Abstract

Tasks of risk management meet in all branches of practical activity of the person. Especially topical problems of mathematical modeling, estimation and forecasting of risks (which are characterized by the level of possible losses and their probability) is for the banking sector, insurance, investment companies. manufacturing enterprises operating in conditions of fierce competition and changing conditions, and for other types of activity.
For the mathematical description of possible losses today there is a set of ideologically different approaches, which are based on classical statistical methods and methods of intelligent data analysis. Thus, to evaluate market and some other types of risks, various variants of the Value-at-Risk (VaR) technique are used, which makes it possible to obtain acceptable quality results for practical use.In the assessment of credit risks found the use of nonlinear models of classification type on the basis of logistical regression, linear regression, method of reference vectors (MOV), discriminatory analysis, fuzzy logic, neuro-fuzzy models, methods of Bayesian data analysis and decision tree, as well as combinations of these methods. To assess financial risks in insurance, the above-mentioned methods are used, as well as the theory of distributions of random variables, generalized linear models, regression analysis (linear and nonlinear models), Bayesian networks and other models and methods. The created computer system makes it possible to estimate the value of possible losses of VaR according to the methods of historical modeling and Monte Carlo. To solve this problem, you must first obtain estimates of the volatility forecasts of the relevant financial heteroscedatic processes. To calculate estimates of volatility forecasts, a model of generalized auto-aggression with conditional heteroscedasticity (UARUG or GARCH) is often used.

Keywords: Information system of decision support, architecture, modeling, financial processes, volatility.

References
1. Управление риском в рыночной экономике / [Вяткин В. Н., Гамза В. А., Екатеринославский Ю.Ю., Хэмптон Дж. Дж.]. – М.: Экономика, 2002. – 194 с.
2. Вяткин В. Н. Базельский процесс. Базель-2 – управление банковскими рисками / В. Н. Вяткин. – М.: Экономика, 2007. – 188 с.
3. Кожухівська О.А. Прогнозування ризиків кредитування фізичних осіб за математичними моделями [Текст] / О.А. Кожухівська // Вісник НУ “Львівська політехніка”: Інформаційні системи та мережі. – Львів, 2013. – Вип. 770. – С. 177 – 185.
4. Кожухівська О. А. Моделі, методи та інформаційна технологія прогнозування нестаціонарних фінансових процесів і супутніх ризиків: дис. докт. техн. наук; спец. 05.13.06. – Інформаційні технології / О. А. Кожухівська.- Київ, 2000.- 542 с.
5. Бідюк П.І. Моделювання і прогнозування гетероскедастичних процесів/ П.І. Бідюк, В.І. Литвиненко, О.В. Слободенюк // Комп’ютерні технології, системний аналіз, моделювання: Наук. пр. МДГУ ім. П. Могили. — 2004. — № 35 (22). — С. 24—39.
6. Глушков В.М. Основы безбумажной информатики / В.М. Глушков. – М.: Наука, 1987 – 552 с.
7. Хастингс Н. Справочник по статистическим распределениям / Н. Хастингс, Дж. Пикок. – М.: Статистика, 1980. – 95 с.
8. Уотшем Т.Д. Количественные методы в финансах / Т.Д. Уотшем, К. Паррамоу. – М.: Финансы, 1999. – 527 с.
9. Taylor S.J. Modelling stochastic volatility: a review and comparative study / S. J. Taylor // Mathematical Finance. – 1994. – Vol. 4. – P.P. 183–204.
10. Бард Й. Нелинейное оценивание параметров / Й. Бард. – М.: Статистика, 1979.- 350 с.