Kvantifikace tržního rizika portfolia akcií pomocí metody Value at Risk

Abstract

Diplomová práce se zabývá problematikou kvantifikace tržního rizika prostřednictvím metodologie Value at Risk (VaR) v kontextu zvýšené volatility globálních finančních trhů v letech 2020–2025. Cílem předložené diplomové práce byla aplikace metod výpočtu Value at Risk na vybrané akciové portfolio v aktuálním tržním prostředí. Analýza byla provedena na modelovém akciovém portfoliu s celkovou expozicí 100 000 USD, složeném z titulů Apple, Booking, Netflix, PepsiCo a Thermo Fisher Scientific. Teoretická část definuje matematické základy variančně-kovarianční metody, historické simulace a metody bootstrapping. Praktická část pak na základě reálných tržních dat analyzuje statistické vlastnosti výnosů, přičemž identifikuje nesoulad s předpokladem normálního rozdělení a přítomnost tlustých chvostů. Výsledky analýzy prokazují, že na 95% hladině spolehlivosti poskytují zvolené metody konzistentní výsledky s minimálními odchylkami. Výrazná divergence však nastává u extrémních hladin spolehlivosti (nad 98 %), kde neparametrické modely, zejména bootstrapping, lépe reflektují historické tržní šoky. V závěru práce jsou formulována konkrétní doporučení pro různé typy investorů v závislosti na jejich rizikové averzi a jsou navrženy strategie zajištění portfolia s využitím derivátových instrumentů, stop-loss limitů a sektorové diverzifikace.

This diploma thesis focuses on the quantification of market risk using the Value at Risk (VaR) methodology within the context of increased global financial market volatility between 2020 and 2025. The goal of the submitted diploma thesis was the application of Value at Risk calculation methods to a selected stock portfolio in the current market environment. The analysis was performed on a model equity portfolio with a total exposure of USD 100,000, consisting of Apple, Booking, Netflix, PepsiCo, and Thermo Fisher Scientific. The theoretical section defines the mathematical foundations of the variance-covariance method, historical simulation, and bootstrapping. The practical section analyzes the statistical properties of returns based on real market data, identifying non-normality and the presence of fat tails. The results demonstrate that at the 95% confidence level, the chosen methods yield consistent estimates with minimal deviations. However, significant divergence occurs at extreme confidence levels (above 98%), where non-parametric models, particularly bootstrapping, better reflect historical market shocks. The thesis concludes by formulating specific recommendations for various types of investors based on their risk aversion and proposes portfolio hedging strategies using derivative instruments, stop-loss limits, and sector diversification.