Finansal piyasalarda risk ölçüsü olarak kullanılan Riske Maruz Değer (VaR), belirli bir zaman periyodunda ve güven düzeyinde elde tutulan portföyün uğrayacağı maksimum kaybı para miktarı olarak ifade eder. VaR, portföyün mümkün kayıplarının istatistiksel ölçüsünü özetleyen tek bir rakam olma özelliği taşımaktadır. Bu nedenle, yönetici kadrolarının ortaya çıkan tek bir rakama bakarak riskin karşılanabilir olup olmadığına dair karar almalarına yardımcı olmakta, dolayısıyla riskten korunmalarını sağlamaktadır. Finansal raporlarda sunulma zorunluğu bulunan VaR, piyasalarda faaliyet gösteren kurumlar tarafından da geniş kabul görmektedir.

Bu kitap finansal risk ölçümünde kullanılan VaR hesaplama yöntemlerini hem teorik hem de uygulamalı olarak ele almaktadır. Ayrıca bölüm sonlarında yer alan VaR uygulamalarına ait R kodları kitabın sonunda okuyucuya sunulmaktadır. Kitapta bulunan konular ana başlıklar ile aşağıdaki gibidir:

–      Risk Kavramı ve Ölçülmesi

–      Riske Maruz Değer (VaR)

–      Tutarlı Risk Ölçülerinin Özellikleri

–      Koşullu VaR

–      Varyans-Kovaryans Yaklaşımı

–      Tarihi Simülasyon Yaklaşımı

–      Monte Carlo Yaklaşımı

–      Hareketli Ortalamalarla Volatilile Modeli

–      Geriye Dönük Test

–      R Ugyulama Kodları

Financial time series including high frequency structures like jumps, spikes and stochastic volatility are usually modeled in an ad-hoc manner by stochastic differential equations together with Levy processes. Estimating the parameters and determining the jump size distributions do not have a precise and universally accepted method. Under these circumstances, complexities and confusions usually arise. This book, approaches to this issue from a very different angle through introducing an autocorrelation one process together with finite number of Fourier series terms. Introduction of Fourier series to estimate the dynamics of the process is not done in an ad-hoc manner or as done before in dealing with seasonality. Here the moving average is transformed to a “moving and fluctuating” average by the help of Fourier series. Instead of adding jump structures to the model which makes the parameter estimation quite cumbersome, our model in discrete time can easily be transformed to a well-known mean reverting continuous time process. Moreover, our alternative model turned out to be a quite powerful and accurate forecasting technique.