Ποσοτική Διαχείριση Χρηματοοικονομικών Κινδύνων μέσω Τεχνικών της Επιστήμης Δεδομένων

Data Science Techniques in Quantitative Finance & Risk Management (Αγγλική)

  1. MSc thesis
  2. Κρίτογλου, Αναστάσιος
  3. Τραπεζική, Λογιστική και Χρηματοοικονομική (ΤΛΧ)
  4. 07 Σεπτεμβρίου 2019 [2019-09-07]
  5. Ελληνικά
  6. 107
  7. Τσιριτάκης, Εμμανουήλ
  8. Τσιριτάκης, Εμμανουήλ | Ρεπούσης, Σπυρίδων
  9. Ποσοτική Διαχείριση Κινδύνου, Μέτρα Κινδύνου Διασποράς, Αξία σε Κίνδυνο (VaR), Συνεκτικά Μέτρα Κινδύνου, Υπό Συνθήκη Αξία σε Κίνδυνο (CVaR), Ιστορική Προσομοίωση, Επιστήμη Δεδομένων, Στατιστική Ανάλυση, Μέθοδος Monte Carlo | Quantitative Risk Management, Deviation Risk Measures, Value at Risk (VaR), Coherent Risk Measures, Conditional Value at Risk (CVaR), Historical Simulation, Data Science, Statistical Analysis, Monte Carlo Method
  10. 7
  11. 155
  12. Περιέχει: Πίνακες, Διαγράμματα
    • Στην παρούσα διπλωματική εργασία εστιάζουμε σε πρακτικές πτυχές του προβλήματος της ποσοτικής επιμέτρησης και διαχείρισης του κινδύνου (Quantitative Risk Management) μέσα από την επιστήμη δεδομένων (Data Science), παρουσιάζοντας το θεωρητικό και υπολογιστικό πλαίσιο καθώς και τις ιδιότητες των σύγχρονων χρηματοοικονομικών μέτρων κινδύνου. Επιπλέον, επικεντρωνόμαστε στην παρουσίαση μεθόδων και τεχνικών επιμέτρησης του κινδύνου στον ευρύτερο χρηματοοικονομικό κλάδο, μελετώντας τα πλεονεκτήματα και τα μειονεκτήματα τους. Παρουσιάζουμε τα Μέτρα Κινδύνου Διασποράς (Deviation Risk Measures), τα οποία σχετίζονται με την ιστορική μεταβλητότητα των τιμών και εξετάζουμε την συμπεριφορά τους μέσα από θεωρητικές και υπολογιστικές μεθόδους μοντελοποίησης. Παραθέτουμε την περιγραφή του μοντέλου Αξία σε Κίνδυνο (Value at Risk - VaR) και εξετάζουμε διάφορες περιπτώσεις υπολογισμού μέσα από την μέθοδο Ιστορικής Προσομοίωσης και της προσομοίωσης Monte Carlo καθώς και μέσω παραμετρικών τεχνικών υπολογισμού για ένα σύνολο συνεχών κατανομών κινδύνου (Κανονική Κατανομή, Λογάριθμο-Κανονική Κατανομή, Εκθετική Κατανομή, Κατανομή Cauchy). Μελετάμε την συμπεριφορά των Συνεκτικών Μέτρων Κινδύνου (Coherent Risk Measures) ως εν δυνάμει πιο πληρέστερα μέτρα σε περιπτώσεις ασύμμετρης εμφάνισης ακραίων χρηματοοικονομικών γεγονότων και παρουσιάζουμε το μοντέλο Υπό Συνθήκη Αξία σε Κίνδυνο (Conditional Value at Risk - CVaR), μέσα από υπολογιστικά παραδείγματα ιστορικής προσομοίωσης και προσομοίωσης Monte Carlo καθώς και διάφορες παραμετρικές περιπτώσεις υπολογισμού για συγκεκριμένες κατανομές κινδύνου (Κανονική Κατανομή, Εκθετική Κατανομή). Επιπλέον παραθέτουμε μια μελέτη περίπτωσης (Case Study), που αφορά την στατιστική επιμέτρηση του κινδύνου μέσα από ποσοτικές μεθόδους ιστορικής προσομοίωσης και την συγκριτική ανάλυση τεσσάρων χρηματοοικονομικών μέτρων κινδύνου (StD, StDnv, VaR, CVaR). Τα δεδομένα μας αφορούν ένα σύνολο βασικών τραπεζικών οικονομικών μεγεθών (Ενεργητικό, Υποχρεώσεις, Ιδία Κεφάλαια, Χαρτοφυλάκιο Δανείων, Χαρτοφυλάκιο Καταθέσεων, Τιμές Μετοχής), μέσα από τα δημοσιευμένα στοιχεία των μηνιαίων συνοπτικών λογιστικών καταστάσεων της Τράπεζας Πειραιώς (Piraeus Bank S.A.).
    • In this thesis, we study practical aspects of the problem of Quantitative Risk Management through Data Science, outlining the theoretical and computational framework as well as the properties of modern Financial Risk Measures. Moreover, we describe the measurement methods and techniques that are commonly used in the broader financial sector, by reviewing their advantages and disadvantages. In particular, we study the Deviation Risk Measures, which are related to the Historical Volatility and examine their behavior over theoretical and computational modeling techniques. We describe the Value at Risk (VaR) model and consider various calculations through Historical Simulation and Monte Carlo Techniques as well as Parametric Statistical Methods for a set of continuous risk distributions (Normal Distribution, Log-Normal Distribution, Exponential Distribution, Cauchy Distribution). Furthermore, we study the behavior of Coherent Risk Measures as potentially complete measures in cases of extreme financial events. In addition, we describe the Conditional Value at Risk (CVaR) model and provide computational examples of Historical Simulation and Monte Carlo Techniques as well as Parametric Statistical Methods for specific risk distributions (Normal Distribution, Exponential Distribution). Finally, we present a case study with the statistical measurement of risk through quantitative methods of historical simulation and the comparative analysis of four financial risk measures (StD, StDnv, VaR, CVaR). The data used in this case study consider a set of key financial information (Assets, Liabilities, Equity, Loan Portfolio, Deposit Portfolio, Stock Prices), obtained from the monthly published financial statements of Piraeus Bank S.A.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.