بررسی ساختار همبستگی اطلاعاتی در معیارهای مختلف اندازه‌گیری ریسک

الموضوعات : دانش مالی تحلیل اوراق بهادار

محمدعلی رستگار ¹ (استادیار گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران.)
محمدعلی امزاجردی ² (دانشجوی کارشناسی ارشد رشته مالی گرایش مهندسی مالی ومدیریت ریسک دانشگاه خاتم، تهران، ایران)

تاريخ الإرسال : 24 الإثنين , صفر, 1439 تاريخ التأكيد : 23 الأحد , جمادى الثانية, 1439 تاريخ الإصدار : 25 الأحد , ربيع الثاني, 1441

الکلمات المفتاحية: ارزش در معرض خطر, توزیع تعمیم‌یافته مقادیر حدی, ریسک حدی نامطلوب, فراتر از آستانه, ماکسیمم بلوک ها, نظریه ارزش آفرین,

ملخص المقالة :

هدف از این پژوهش مطالعه ساختار همبستگی معیار های مختلف اندازه گیری ریسک است. معیار های این پژوهش شامل چولگی غیر سیستماتیک(IS)، کشیدگی غیر سیستماتیک(IK)، نوسانات، نوسانات غیر سیستماتیک(IV)، ارزش در معرض خطر کرنیش- فیشر(CFVaR)، شاخص دم چپ(EDR) و شاخص دم راست توزیع است. ابتدا رگرسیون فاما-فرنچ را تخمین زده و با استفاده از پسماندهای رگرسیون، مدل AR(p)-GARCH(p,q) را تخمین می زنیم و سپس با پسماندهای مدل برای 175 نماد بورسی معیار EDR و سایر معیارهای ریسک را برآورد می کنیم. نتایج نشان می دهد بیشترین همبستگی را روش IS و CFVaR با روش EDR دارد اما با توجه به پایین بودن مقادیر همبستگی نمی توان گفت به طور کل اثرات EDR را شرح می دهند. تنها معیارهای EDR و CFVaR بر دم چپ تمرکز دارند و با یکدیگر قابل قیاس هستند. نتایج پس آزمایی برای دو رویکرد CFVaR و EDR نشان می دهد که با توجه به تعداد تخطی‌های صورت گرفته در 53 درصد موارد روش EDR پیش‌بینی بهتری نسبت به روش CFVaR داشته است.

المصادر:

*      Abhay,K.S.,David,E.A.,&Robert,J,Powell.(2011)."Value at Risk Estimation Using Extreme Value Theory". International Journal of Forecasting on Modeling and Simulation,perth,Western Australia,12-16

*      Barberis, N., & Huang, M. (2008). Stocks as Lotteries: The Implications of Probability Weighting for Security Prices. The American Economic Review, 98(5), 2066-2100.

*      Boyer, B., Mitton, T., & Vorkink, K. (2010). Expected idiosyncratic skewness. Review of Financial Studies, 23(1), 169–202.

*      Dittmar, R.F., 2002. Nonlinear pricing kernels, kurtosis preference, and evidence from the cross section of equity returns. Journal of Finance 57, 369–403.

*      Douglas, G. W. (1967). Risk in the equity markets: An empirical appraisal of market efficiency (Doctoral dissertation, Yale University.).

*      Fang, H., & Lai, T. Y. (1997). Co‐kurtosis and Capital Asset Pricing. Financial Review, 32(2), 293-307.

*      Fisher, R.A., Tippett, L.H.C., 1928. On the estimation of the frequency distributions of the largest or smallest member of a sample. Proceedings of the Cambridge Philosophical Society 24, 180–190.

*      Gencay, R., Selcuk, F., and Ulugulyagci, A. (2003a). EVIM: a software package for extreme value analysis in Matlab. Studies in Nonlinear Dynamics and Econometrics, 5:213–239.

*      Gencay, R., Selcuk, F., and Ulugulyagci, A. (2003b). High volatility, thick tails and extreme value theory in value-at-risk estimation. Insurance: Mathematics and Economics, 33:337-356.

*      Gettinby, G., Sinclair, C., Power, D.M., Brown, R., 2004. An analysis of the distribution of extreme share returns in the UK from 1975 to 2000. J. Bus. Financ. Account. 31 (5–6), 607–646.

*      Goyal, A., & Santa‐Clara, P. (2003). Idiosyncratic risk matters! The Journal of Finance, 58(3), 975-1008.

*      Hans,Bystrom,N.E.(2004)"Managing extreme risks in tranquil and Volatile Markets using Conditional extreme value theory". International Review of Finance Analysis,No.13,PP.133–152.

*      Huang,Wei.,Lio,Qianqiu.,Rhee,S.Ghon.&Wu,Feng.(2012)."Extreme downside risk and expected stock returns."Journal of Banking &Finance,No.36,PP.1492-1502.

*      Kittiakarasakun, J. & Tse, Y. (2011). “Modeling the fat tails in Asian stock markets”. International review of economics and finance, 430-440.

*      Kraus, A., & Litzenberger, R. H. (1976). Skewness preference and the valuation of risk assets. The Journal of Finance, 31(4), 1085-1100.

*      Lintner, J. (1965a). Security Prices, Risk, and Maximal Gains from Diversification. The Journal of Finance, 20(4), 587-615.