Modeling exchange rate volatility in the gambia using dynamic conditonal correlaton model

Abstract

The relationship between different international stock markets is of importance for both financial practitioners and academicians in order to manage risks. Especially after the financial crisis, the pronounced financial contagion draws the public attention to look into such associations. However, measuring and modelling dependence structure becomes complicated when asset returns present non-linear, non-Gaussian and dynamic features. This paper examines the time-varying conditional correlations to the weekly exchange rate returns for the USD, EURO and GBP against the Gambian Dalasi (GMD) during the period 2000 to 2017. We use a dynamic conditional correlation (DCC) multivariate GARCH model. This model can be simplified by estimating univariate GARCH models for each return series, and then, using transformed residuals resulting from the first stage, estimating a conditional correlation estimator. DCC-GARCH model was implemented for two different assumptions of the error distribution; assuming Gaussian and Student t-distribution. Empirical results show substantial evidence of significant increase in conditional correlation. It is also clean that, the Student t-distributed errors better forecast the conditional correlation.

L'évaluation des interactions entre différents marchés financiers est d'une importance particulière en gestion de risque aussi bien pour les chercheurs que pour les praticiens de la finance de marché. En effet, après une crise financière, à cause de léffet contagion, cette association est particulièrement étudiée. Cependant, la non-linéarité et les queues épaisses généralement observées sur les séries de rendements financiers rendent la modélisation de cette structure de dépendance très compliquée. Dans ce papier, nous examinerons les corrélations conditionnelles dynamiques sur les rendements de taux de change hebdomadaires USD/Gambian Dalasi (GMD), EURO/GMD, et GBP/GMD sur la période allant de 2000 à 2017. Nous utiliserons un modèle GARCH multivarié à corrélations conditionnelles dynamiques. Léstimation du modèle peut se faire en deux étapes : d'abord estimer un modèle GARCH univarié sur chaque série, puis estimer la corrélation conditionnelle ur les résidus. Une application du modèle avec bruit Gaussien et Student-t est considérée. Les résultats ont mis en évidence une significativité substantielle de la corrélation conditionnelle. En terme de prévision, le modèle avec bruit student-t est plus performant.