4. ConclusionsThis paper proposes t

4. Conclusions
This paper proposes the augmented GJR-GARCH model that extends the GJR-GARCH model of Glosten et al. (1993) by respectively comprising overnight volatility, daily high-low prices range, and fear index as explanatory variables for the GJR-GARCH’s variance equation. These VaR models are used to estimate their daily VaR values and evaluate their downside risk management performance for the SPDRs returns under 90%, 95% and 99% confidence levels. Empirical results show that the augmented GJR model outperforms the GJR model for most cases, suggesting that the GJR-GARCH-based VaR forecasts can be moderately improved with the additional information embodied in the ONV, PK and VIX volatility estimators. In addition, daily high-low prices range and fear index are far more informative than the overnight volatility for improving the GJR-GARCH-based VaR forecasts. Risk managers can employ the proposed VaR models for estimating and controling the potential loss of ETFs in the face of financial catastrophes.

Kết quả (Việt) 1:

4. kết luậnBài báo này đề xuất mô hình GJR-GARCH tăng cường mở rộng các mô hình GJR-GARCH của Glosten et al. (1993) by tương ứng bao gồm qua đêm biến động, hàng ngày cao thấp giá khoảng, và sợ hãi chỉ là các biến giải thích cho GJR-GARCH phương sai phương trình. VaR mô hình được sử dụng để ước tính giá trị VaR hàng ngày của họ và đánh giá hiệu suất quản lý nguy cơ nhược điểm cho trở về SPDRs dưới 90%, 95% các mức tin cậy 99%. Kết quả thực nghiệm cho thấy rằng mô hình GJR tăng cường nhanh hơn so với mô hình GJR cho hầu hết trường hợp, đề xuất dự báo dựa trên GJR-GARCH VaR có thể được cải thiện vừa phải với biết thêm thông tin được thể hiện trong ONV, PK và VIX estimators biến động. Ngoài ra, hàng ngày cao thấp giá tầm và sợ hãi chỉ mục thêm rất nhiều thông tin hơn so với biến động qua đêm để cải thiện dự báo dựa trên GJR-GARCH VaR. Quản lý rủi ro có thể sử dụng các mô hình VaR được đề xuất cho các ước lượng và kiểm soát khả năng mất ETFs khi đối mặt với thảm họa tài chính.

Kết quả (Việt) 2:

4. Kết luận
Bài báo đề xuất tăng cường mô hình GJR-GARCH mở rộng các mô hình GJR-GARCH của Glosten et al. (1993) bằng cách lần lượt bao gồm biến động qua đêm, giá cao-thấp trong ngày dao động, và chỉ số sợ hãi khi biến giải thích cho phương trình sai sự GJR-GARCH của. Những mô hình VaR được sử dụng để ước tính giá trị VaR hàng ngày của họ và đánh giá hiệu quả quản lý rủi ro giảm giá của họ cho SPDRs trả về dưới 90%, 95% và 99 cấp độ% sự tự tin. Kết quả thực nghiệm cho thấy rằng mô hình GJR tăng cường nhanh hơn so với các mô hình GJR cho hầu hết các trường hợp, cho thấy rằng các dự báo VaR GJR-GARCH dựa trên có thể được cải thiện vừa phải với các thông tin bổ sung được thể hiện trong các ước lượng biến động ONV, PK, VIX. Ngoài ra, giá cao-thấp trong ngày dao động và chỉ số sợ hãi được thêm rất nhiều thông tin hơn là sự biến động qua đêm để cải thiện dự báo VaR GJR-GARCH-based. Quản lý rủi ro có thể sử dụng các mô hình VaR đề xuất để đánh giá và kiểm soát năng tổn thất tiềm năng của ETFs khi đối mặt với thảm họa tài chính.