3. Empirical Results and AnalysisTa

3. Empirical Results and Analysis
Table 3 presents out-of-sample daily VaR forecasts performance across the various models by reporting mean VaR, violation, failure prob., LRuc and LRcc statistics, under 90%, 95% and 99% confidence levels.
As shown in Table 3, the GJR model generates the highest average absolute VaR estimates at every confidence level, and followed by the GJR-ONV, GJR-PK and GJR-VIX models. Thus, the GJR and the GJR-VIX models generate the lowest and highest numbers of VaR violations, respectively.
Panel A of Table 3 provides daily VaR forecasts results for SPDRs at the 90% confidence level. We observe that either the GJR or the GJR-ONV model fails to pass the unconditional coverage test (LRuc), indicating that both traditional GJR and GJR-ONV models tend to over-predict VaR values for SPDRs returns. Moreover, the GJR model has been rejected by the conditional coverage test (LRcc), indicating that clustered violations were generated. That is, the GJR model is very slow at updating the VaR value when market volatility changes rapidly. By contrast, both the GJR-PK and the GJR-VIX models pass the coverage tests, suggesting that the empirical failure probability is statistically consistent with the prescribed one for each of them, especially for the latter model. Meanwhile, with any sudden change in market volatility, the GJR-PK and the GJR-VIX models are beneficial for rapidly updating the VaR value. Thus, the trading prices information which is implied in PK and VIX volatility measures is crucial for producing adequate daily VaR forecasts for SPDRs returns at the 90% confidence level.
For the case of 95% confidence level, we observe that the LRuc test statistic is insignificant for the GJR, GJR-ONV and GJR-PK models, indicating that the sample point estimate is statistically consistent with the prescribed confidence level of these three VaR models. The LRcc statistic further shows that the aforesaid three models also can pass the conditional coverage test, indicating that these models’ performance is quite stable over time during the out-of-sample forecasting period 2013~2014. However, the GJR-VIX model fails to offer adequate VaR forecasts according to the LRuc test statistic.
The VaR forecasts results at the 99% confidence level are very similar to those obtained at the 95% confidence level. That is, the LRuc and LRcc statistics reported in Panel C of Table 3 are all insignificant, except for the GJR-VIX model, indicating that the GJR, GJR-ONV and GJR-PK models are able to produce adequate Daily VaR forecasts for SPDRs returns.

Kết quả (Việt) 1:

3. kinh nghiệm kết quả và phân tíchBảng 3 trình bày ra mẫu hàng ngày VaR dự báo hiệu suất trên các mô hình khác nhau của báo cáo có nghĩa là VaR, vi phạm, sự thất bại prob., LRuc và LRcc thống kê, dưới 90%, 95% và 99% mức độ tin cậy.Như thể hiện trong bảng 3, mô hình GJR tạo ra các cao nhất trung bình tuyệt đối VaR ước lượng ở mọi cấp độ tin cậy, và tiếp theo là GJR-ONV, GJR-PK và mô hình GJR-VIX. Vì vậy, GJR và mô hình GJR-VIX sẽ tạo ra những con số thấp nhất và cao nhất của vi phạm VaR, tương ứng.Bảng A của bảng 3 cung cấp hàng ngày VaR dự báo kết quả cho SPDRs độ tin cậy 90%. Chúng tôi quan sát GJR hoặc các mô hình GJR-ONV không thành công để vượt qua các thử nghiệm vô điều kiện bảo hiểm (LRuc), chỉ ra rằng cả hai truyền thống GJR và GJR-ONV mô hình có xu hướng quá dự đoán các giá trị VaR cho SPDRs trả lại. Hơn nữa, các mô hình GJR đã bị từ chối bởi các bài kiểm tra điều kiện bảo hiểm (LRcc), chỉ ra rằng nhóm hành vi vi phạm đã được tạo ra. Đó là, các mô hình GJR là rất chậm tại Cập Nhật giá trị VaR khi thị trường biến động thay đổi nhanh chóng. Ngược lại, GJR-PK và các mô hình GJR-VIX vượt qua bài kiểm tra vùng phủ sóng, gợi ý rằng xác suất thực nghiệm thất bại về mặt thống kê phù hợp với những quy định cho mỗi người trong số họ, đặc biệt là cho các mô hình sau này. Trong khi đó, với bất kỳ sự thay đổi đột ngột trong thị trường biến động, GJR-PK và các mô hình GJR-VIX là mang lại lợi ích để nhanh chóng cập nhật giá trị VaR. Vì vậy, thông tin giá cả thương mại mà là ngụ ý trong các biện pháp bay hơi PK và VIX là rất quan trọng để sản xuất đầy đủ các dự báo VaR hàng ngày cho SPDRs trả về độ tin cậy 90%.Đối với trường hợp của 95% mức tin cậy, chúng tôi quan sát LRuc kiểm tra số liệu thống kê là không đáng kể cho các mô hình GJR, GJR-ONV và GJR-PK, chỉ ra rằng ước tính điểm mẫu thống kê phù hợp với mức quy định sự tự tin trong những mô hình VaR ba. Số liệu thống kê LRcc tiếp tục cho thấy rằng các mô hình ba nêu trên cũng có thể vượt qua bài kiểm tra điều kiện bảo hiểm, chỉ ra rằng các mô hình này hoạt động khá ổn định theo thời gian trong out-of-mẫu dự báo giai đoạn 2013 ~ 2014. Tuy nhiên, mô hình GJR-VIX không cung cấp đầy đủ VaR dự báo theo LRuc kiểm tra số liệu thống kê.Kết quả dự báo VaR ở mức độ tin cậy 99% là rất tương tự như thu được ở mức độ tin cậy 95%. Đó là, LRuc và LRcc thống kê báo cáo trong bảng điều khiển C của bảng 3 là tất cả không đáng kể, ngoại trừ các mô hình GJR-VIX, chỉ ra rằng các GJR, GJR-ONV GJR-PK mô hình và có thể sản xuất đầy đủ hàng ngày VaR dự báo cho SPDRs trở về.

Kết quả (Việt) 2:

3. Kết quả thực nghiệm và phân tích
Bảng 3 quà out-of-mẫu hàng ngày thực hiện dự báo VaR trên các mô hình khác nhau bằng cách báo cáo trung bình VaR, vi phạm, suy prob., LRuc và LRcc thống kê, dưới 90%, 95% và 99 cấp độ% sự tự tin.
như thể hiện trong Bảng 3, mô hình GJR tạo ra các ước tính VaR tuyệt đối trung bình cao nhất ở mọi mức độ tin cậy, và tiếp theo là mô hình GJR-ONV, GJR-PK và GJR-VIX. Như vậy, GJR và các mô hình GJR-VIX tạo ra những con số thấp nhất và cao nhất của hành vi vi phạm VaR, tương ứng.
Panel A của Bảng 3 cung cấp dự báo kết quả VaR hàng ngày cho SPDRs ở mức tin cậy 90%. Chúng tôi nhận thấy rằng một trong hai GJR hoặc mô hình GJR-ONV không vượt qua bài kiểm tra vùng phủ sóng vô điều kiện (LRuc), chỉ ra rằng cả hai GJR và GJR-ONV mô hình truyền thống có xu hướng quá mức dự đoán giá trị VaR cho SPDRs nhuận. Hơn nữa, mô hình GJR đã bị từ chối bởi các thử nghiệm bảo hiểm có điều kiện (LRcc), chỉ ra rằng vi phạm cụm đã được tạo ra. Đó là, các mô hình GJR là rất chậm cập nhật các giá trị VaR khi biến động thị trường thay đổi nhanh chóng. Ngược lại, cả hai GJR-PK và các mô hình GJR-VIX vượt qua các bài kiểm tra vùng phủ sóng, cho thấy rằng xác suất thất bại thực nghiệm là phù hợp về mặt thống kê với các quy định cho mỗi một trong số họ, đặc biệt là đối với các mô hình sau. Trong khi đó, với bất kỳ sự thay đổi đột ngột biến động thị trường, các GJR-PK và các mô hình GJR-VIX có lợi cho việc cập nhật nhanh chóng các giá trị VaR. Như vậy, thông tin giá giao dịch được ngụ ý trong các biện pháp biến động PK và VIX là rất quan trọng để sản xuất đủ dự báo VaR hàng ngày cho SPDRs trả ở mức độ tin cậy 90%.
Đối với trường hợp của 95% mức độ tin cậy, chúng tôi nhận thấy rằng các bài kiểm tra thống kê LRuc là không đáng kể đối với các mô hình GJR, GJR-ONV và GJR-PK, chỉ ra rằng các ước lượng điểm mẫu phù hợp về mặt thống kê với mức độ tin cậy theo quy định của các mô hình VaR ba. Các LRcc Thống kê thêm cho thấy ba mô hình nói trên cũng có thể vượt qua thử nghiệm bảo hiểm có điều kiện, chỉ ra rằng hiệu suất các mô hình 'là khá ổn định theo thời gian trong out-of-mẫu kỳ dự báo năm 2013 ~ 2014. Tuy nhiên, mô hình GJR-VIX không cung cấp dự báo VaR đủ theo thống kê của kiểm LRuc.
Các kết quả dự báo VaR ở mức độ tin cậy 99% là rất giống với những người thu được ở mức độ tin cậy 95%. Đó là, các thống kê LRuc và LRcc báo cáo trong bảng C của Bảng 3 đều không đáng kể, ngoại trừ cho các mô hình GJR-VIX, chỉ ra rằng các mô hình GJR, GJR-ONV và GJR-PK có thể sản xuất đủ dự báo hàng ngày VaR cho SPDRs lợi nhuận.