ارائه مدلی جهت برآورد ریسک دنبالهای با استفاده از مدلهای ترکیبی ارزش فرین (پارامتریک، نیمهپارامتریک و ناپارامتریک)

الموضوعات : دانش مالی تحلیل اوراق بهادار

علی سوری ¹ (دکترای تخصصی دانشیار دانشکده اقتصاد،دانشگاه تهران، تهران، ایران)
بهمن اسماعیلی ² (دانشجوی دکترای مالی دانشکده مدیریت و حسابداری، دانشگاه تهران)
وحید نوبخت ³ (دانشجوی دکترای مالی دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران)

تاريخ الإرسال : 08 الثلاثاء , جمادى الثانية, 1443 تاريخ التأكيد : 08 الثلاثاء , جمادى الثانية, 1443 تاريخ الإصدار : 17 الإثنين , ربيع الثاني, 1443

الکلمات المفتاحية: ریسک دنباله‌ای, ارزش فرین, خوشه‌بندی نوسان,

ملخص المقالة :

بازارهای مالی دائماً در معرض ریسک می‌باشند. پیش‌بینی و محاسبه ریسک یکی از مهم‌ترین موضوعات در حوزه مباحث مالی است. با مرور بحران‌های مالی سال‌های اخیر می‌توان این طور استنباط کرد که یکی از دلایل وقوع این بحران‌ها توجه بیش از حد به داده‌های پرتکرار مرکزی و عدم‌توجه به داده‌های فرین است. به عبارت دیگر در تجزیه‌و‌تحلیل داده‌های مالی باید به بخش انتهایی توزیع نیز توجه نمود. هدف از این پژوهش، ارائه مدلی جهت برآورد ریسک دنباله‌ای با استفاده از مدل‌های ترکیبی ارزش فرین است. بر همین اساس از چهار مدل تک‌دنباله‌ای و یک مدل دو دنباله‌ای در دو تابع ساده و GARCH استفاده شده است. مدل‌سازی بر مبنای سه دسته داده صورت گرفته است. داده‌های مورد بررسی شامل شاخص کل، شاخص قیمت (هم‌وزن) و شاخص 50 شرکت برتر می‌باشد. دلیل اصلی استفاده از این شاخص‌ها یافتن نتایج حساسیت و عملکرد مدل‌های مختلف بر روی داده‌های اقتصادی بازار سرمایه کشور است. با توجه به نتایج بدست آمده، شبیه‌سازی مدل‌ها با GARCH به طور قابل توجهی عملکرد مدل‌ها را بهبود می‌بخشد و میزان خطای داده‌های شبیه‌سازی شده در مدل‌های مبتنی بر GARCH کاهش می‌یابد. همچنین یافته‌ها حاکی از آن است که مدل‌های دو دنباله‌ای نسبت به مدل‌های تک‌دنباله‌ای از دقت بیشتری برخوردارند.

المصادر:

• آقامحمدی، احمد؛ اوحدی، فریدون؛ صیقلی، محسن؛ بنی مهد، بهمن، (1398). برآورد ریسک سرمایه‌گذاری در یک پرتفوی ارز دیجیتال و بهینه‌سازی آن با استفاده از روش ارزش در معرض خطر، فصل‌نامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، 47، 30-17.


• رستمی، علی؛ نیکنیا، نرگس، (1392). تأثیر متنوع‌سازی پرتفوی بر ارزش در معرض ریسک در بورس اوراق بهادار تهران، فصل‌نامه علمی پژوهشی دانش سرمایه‌گذاری، 6 ،88-83.


• رهنمای رودپشتی، فریدون؛ قندهاری، شراره، (1394). برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 6(24)، 113-91.


• قالیباف اصل، حسن؛ گورداداش مهربانی، نازیال؛ دهقان نیری، لیلا (1394). بررسی رابطه میان ریسک‌گریزی مدیران و عملکرد نهادهای مالی در بازار سرمایه (مطالعه موردی صندوق‌های مشترک سرمایه‌گذاری)، راهبرد مدیریت مالی، 3 (10)، 23-1.


• Antunes, R., Gonzalez, V. (2015). A Production Model for Construction: A Theoretical Framework. Buildings, 5(1), 209-228.


• Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance.


• Ayusuk, A. and Sriboonchitta, S., (2016) Copula Based Volatility Models and Extreme Value Theory for Portfolio Simulation with an Application to Asian Stock Markets. In Causal Inference in Econometrics, 14(2), 279-293.


• Behrens, C. N., H. F. Lopes, and D. Gamerman (2004). Bayesian analysis of extreme events with threshold estimation. Statistical Modelling.


• Cryer, Kung-Sik. And Jonathan D. Cryer (2008). Time Series Analysis with Application in R (Second Edition). Springer Texts in Statistics. 287-392.


• Dehghan Manshadi, Samaneh, Abdolrahimian, Mohammad Hossein, (2017), Application of Differential Risk Value (IVaR), in calculating investment portfolio risk using the previous and last approach, Strategic Management Thought, Year 11, Fall and Winter 2017, No. 2. (In Persian)


• Ferreira, Ana and Haan De Laurens (2015). On the Block Maxima Method in Extreme


• Fisher, R. A., & Tippett, L. H. (1928). Limiting forms of the frequency distribution of the largest or smallest member of a sample. Proceeding of Cambridge Philosophical Society, 24, 180-190.


• Gencay, R., & Selcuk, F. (2004). Extreme value theory and Value-at-Risk: Relative performance in emerging markets. International Journal of Forecasting, 20(2), 287-303.


• Heidari, Hadi, Keshavarz, Gholamreza, (2017), Ranking of Parametric Value at Risk Models by Considering the Shareholder Trading Position (Application of Asymmetric Distribution Functions in Family Models (GARCH), Quarterly Journal of Economic Research, Volume: 17, Issue: 66. (In Persian)


• Hellman, Alexandra (2015). Estimating value at Risk – an Extreme Value Approach. Stockholms University.


• Hu, Yang (2013). Extreme Value Mixture Modelling with Simulation Study and Applications in Finance and Insurance.


• Karmakar, M., & Paul, S. (2016). Intraday risk management in International stock markets: A conditional EVT approach. International Review of Financial Analysis, 44, 34-55.


• Kausik Chaudhuri, Rituparna Sen, Zheng Tan, Testing extreme dependence in financial time series, Economic Modelling, Volume 73, 2018, Pages 378-394, ISSN 0264-9993.


• Lotfalipour, Mohammad Reza, Nosrati, Mahdieh, Ghadiri Moghadam, Abolfazl, Filsarai, Mehdi. (2017). Measuring the value at risk of portfolio conditional risk by FIGARCH - EVT method in Tehran Stock Exchange. 8 (31), 281-295. (In Persian)


• MacDonald, A. E., C. J. Scarrott, D. S. Lee, B. Darlow, M. Reale, and G. Russell (2011). A flexible extreme value mixture model. Computational Statistics and Data Analysis.


• Naderi Noor Aini, Mohammad Mehdi, (2018), Selection of the optimal method of calculating the value at risk of investment funds, asset management and financing, Volume 6, Number1- Consecutive Issue 20, Spring 2018, pp -159-180. (In Persian)


• Park, M.H. and Kim, J.H. (2016). Estimating extreme tail risk measures with generalized Pareto distribution. Computational Statistics and Data Analysis, 98, 91–104.


• Pedro Gerhardt Gavronski, Flavio A. Ziegelmann, Measuring systemic risk via GAS models and extreme value theory: Revisiting the 2007 financial crisis, Finance Research Letters, 2020, 101498, ISSN 1544-6123.


• Pickands, J. (1971). The two-dimensional Poisson process and extremal processes. Journal of Applied Probability 8(4).


• Rydell, S. (2013). The use of extreme value theory and time series analysis to estimate risk measures for extreme events, Umea University. 3-13.


• Zhao, X., C. J. Scarrott, L. Oxley, and M. Reale (2010). Extreme value modeling for forecasting market crisis impacts. Applied Financial Economics 20(1-2).