اندازه‌گیری ریسک در چهارچوب ارزش در معرض خطر (VaR): کاربردی از مدل‌های GARCH Levy (مطالعه بخش صنایع شیمیایی در بورس اوراق بهادار تهران)

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

حسین امیری ¹ , محمود نجفی نژاد ² , محمد صیادی ³

1 - استادیار، دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران
2 - دانش آموخته کارشناسی ارشد اقتصاد انرژی. دانشگاه خوارزمی تهران. دانشکده اقتصاد. عضو بنیاد ملی نخبگان
3 - استادیار و عضو هیات علمی دانشکده اقتصاد، دانشگاه خوارزمی

تاریخ دریافت : 1400/03/22 تاریخ پذیرش : 1400/03/22 تاریخ انتشار : 1400/03/01

کلید واژه: ارزش در معرض خطر, مدل‌ گارچ, توزیع لوی, مدیریت ریسک, بورس اوراق بهادار تهران,

چکیده مقاله :

با توجه به اینکه سرمایه‌گذاری در بورس اوراق بهادار با ریسک همراه است، بنابراین اندازه‌گیری آن از مهم‌ترین موضوعات نزد سرمایه‌گذاران می‌باشد. پژوهش حاضر به اندازه‌گیری ریسک با معیار سنجش ارزش در معرض خطر می‌پردازد. در این مطالعه ارزش در معرض ریسک، با استفاده از مدل های GARCH، APARCH و GJR با توزیع‌های نرمال، تی استیودنت، تی استیودنت چوله و لوی (شامل توزیع معکوس گاوسی نرمال (NIG) و توزیع هذلولی تعمیم یافته (GHyp)) تخمین زده شده است. در این تحقیق ریسک شاخص کل و شاخص صنایع شیمیایی بورس اوراق بهادار تهران در دوره زمانی 05/01/1392 تا 28/12/1398 مورد ارزیابی قرار گرفته است. نتایج تحقیق نشان می دهد که مدل‌ گارچ با توزیع لوی و مدل GJR با توزیع‌ لوی و Skewed-t در بین سایر مدل‌ها از دقت بیشتری برخوردار است. لذا پیشنهاد می‌گردد که مدیران پرتفوی در صنایع مختلف با استفاده از مدل‌های فوق به صورت روزانه، هفتگی و یا ماهانه، حداکثر زیان محتمل پرتفوی موجود خود را برآورد نموده و اقدامات مقتضی را برای مصون‌سازی پرتفوی از چنین زیان‌هایی انجام دهند.

چکیده انگلیسی:

Given that investing in the stock market is associated with risk, measuring it is one of the most important issues for investors. The present study measures risk measurement by the measure of risk. In this study, the value at risk, using the GARCH, APARCH and GJR models with normal distributions, T-stents, T-stents, strings and strings, including string distributions; the reverse distribution of normal GIG (NIG) and generalized hyperbolic distribution (GHyp) is estimated. In this study, to measure risk, the efficiency of Tehran Stock Exchange index in chemical industries and total index has been used. The time period in this study includes a seven-year period with a daily frequency during the period of 05/01/1392 to 28/12/1398. The results showed that the Garc models were more accurate with the Levy distribution, and among the Garc models, the GJR model was more accurate, considering the Lou distribution and the Skewed-t distribution used among the other models.

منابع و مأخذ:

*      آقایی شیخ رضی، مژگان، ابراهیمی، سید بابک و محبی، نگین (1396). برآورد ارزش در معرض ریسک و ریزش مورد انتظار پرتفوی با استفاده از نظریه امکان و الزام فازی، تحقیقات مالی، 19 (2)، صص 216-193.

*      حسینی ایمنی، سیداحمد و نجفی، امیرعباس (1392). تعیین سبد بهینه سرمایه‌گذاری در صنایع مختلف بورس اوراق بهادار تهران با استفاده از رویکرد GARCH Multivariate-VAR و در نظرگیری ریسک نقدشوندگی، دانش مالی تحلیل اوراق بهادار، 20 (6)، صص 45-29.

*      رهنمای رودپشتی،‌ فریدون و قندهاری، شراره (1394). برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران،‌ فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 24 (6)، صص 114-91.

*      زمردیان، غلامرضا، همّتی آسیابرکی، مهدی و راد کفترودی، حسین (1396). آزمون ارزش در معرض خطر دوره‌ای (LiVaR) و مدیریت ریسک با استفاده از مدل خود رگرسیون برداری (VAR)، دانش مالی تحلیل اوراق بهادار، 36 (10)، صص 69-59.

*      سارنج، علی‌رضا و نوراحمدی، مرضیه (1396). رتبه‌بندی آماری مدل‌های مختلف ارزش در معرض ریسک و ریزش مورد انتظار با استفاده از رویکرد مجموعه اطمینان مدل (MCS)، برای صنعت بانکداری: با تأکید بر رویکرد ارزش فرین شرطی، مهندسی مالی و مدیریت اوراق بهادار، 30 (8)، صص 146-131.

*      سجادی، زینب و فتحی، سعید (1392). تبیین فرایند چهار گامی محاسبه ارزش در معرض خطر به عنوان معیاری برای اندازه‌گیری ریسک و پیاده‌سازی آن در یک مدل بهینه‌سازی سرمایه‌گذاری، دانش مالی تحلیل اوراق بهادار، 20 (6)، صص 13-1.

*      شاهمرادی،‌ اصغر و زنگنه، محمد (1386). محاسبه ارزش در معرض خطر برای شاخص‌های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک، تحقیقات اقتصادی، 79 (4)، صص 149-121.

*      فلاح پور، سعید و ‌راعی، رضا (1396). سنجش ارزش در معرض ریسک شرطی با استفاده از ترکیب مدل  FIGARCH و نظریه ارزش فرین، دانش سرمایه‌گذاری، 23 (6)، 281-259.

*      قربانی، وحید، جلالی نائینی، احمدرضا و صیادی، محمد (1392). اثر سرریز ریسک بین بازدهی قیمت در بازارهای نقدی و آتی‌های نفت خام، فصلنامه اقتصاد انرژی ایران، 9 (4)، صص 52-31.

*      کاتبی، حمیدرضا و زمردیان، غلامرضا، (1398). بررسی قدرت تبیین سنجه‌های ریسک طیفی، منسجم، انحراف و شبکه‌های عصبی مصنوعی و کاربرد آنها در انتخاب سبد بهینه سرمایه‌گذاری در بورس اوراق بهادار تهران، دانش سرمایه‌گـذاری، 30 (8)، صص 312-287.

*      کشاورز حداد، غلامرضا و مفتخر دریایی نژاد، کبری (1397). تأثیر سرایت بازده و تلاطم در برآورد ارزش در معرض ریسک سبد دارایی، متشکل از طلا، ارز و سهام، تحقیقات اقتصادی، 122 (53)، صص 152-117.

*      کیانی، طاهره و فرید،‌ داریوش (1394). اندازه‌گیری ریسک با معیار سنجش ارزش در معرض ریسک (VaR)،‌ از طریق مدل GARCH‌ (مطالعه‌ای در سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در صنعت سیمان)،‌ مدیریت مالی،‌ 8 (4)، صص 128-109.

*      محمدزاده، امیر و مسعودزادگان،‌ سحر (1395). پیش­بینی نوسانات روزانه و ارزش در معرض خطر برای داده‌های با فراوانی بالا، مدیریت توسعه و تحول، 27 (8)، 74-63.

*      Alexander, G. J., & Baptista, A. M. (2003). Portfolio performance evaluation using value at risk. The Journal of Portfolio Management, 29(4), 93-102.‏

*      Ardia, D., & Hoogerheide, L. F. (2014). GARCH models for daily stock returns: Impact of estimation frequency on Value-at-Risk and Expected Shortfall forecasts. Economics Letters, 123(2), 187-190.

*      Barndorff-Nielsen, O. (1977). Exponentially decreasing distributions for the logarithm of particle size. Proceedings of the Royal Society of London. A. Mathematical and Physical Sciences, 353(1674), 401-419.

*      Bollerslev, T., Chou, R. Y., & Kroner, K. F. (1992). ARCH modeling in finance: A review of the theory and empirical evidence. Journal of econometrics, 52(1-2), 5-59.

*      Braione, M., & Scholtes, N. K. (2016). Forecasting value-at-risk under different distributional assumptions. Econometrics, 4(1), 3.

*      Chkili, W., Hammoudeh, S., & Nguyen, D. K. (2014). Volatility forecasting and risk management for commodity markets in the presence of asymmetry and long memory. Energy Economics, 41, 1-18.

*      Christoffersen, P. F. (1998). Evaluating interval forecasts. International economic review, 841-862.

*      Ding, J. P., & Pickard, B. G. (1993). Modulation of mechanosensitive calcium‐selective cation channels by temperature. The Plant Journal, 3(5), 713-720.

*      Engle, R. F., & Manganelli, S. (1999). CAViaR: conditional value at risk by quantile regression (No. w7341). National bureau of economic research.

*      Fan, Y., Zhang, Y. J., Tsai, H. T., & Wei, Y. M. (2008). Estimating ‘Value at Risk’of crude oil price and its spillover effect using the GED-GARCH approach. Energy Economics, 30(6), 3156-3171.

*      Foroni, C., Guérin, P., & Marcellino, M. (2015). Markov-switching mixed-frequency VAR models. International Journal of Forecasting, 31(3), 692-711.

*      Francq, C., & Zakoïan, J. M. (2018). Estimation risk for the VaR of portfolios driven by semi-parametric multivariate models. Journal of econometrics, 205(2), 381-401.

*      Gabriel, A. S. (2012). Evaluating the forecasting performance of GARCH models. Evidence from Romania. Procedia-Social and Behavioral Sciences, 62, 1006-1010.

*      Kupiec, P. (1995). Techniques for verifying the accuracy of risk measurement models. The J. of Derivatives, 3(2).

*      Laporta, A. G., Merlo, L., & Petrella, L. (2018). Selection of value at risk models for energy commodities. Energy Economics, 74, 628-643.

*      Li, L. (2017). A Comparative Study of GARCH and EVT Model in Modeling Value-at-Risk. Journal of Applied Business and Economics, 19(7).

*      Lopez, J. A. (2001). Evaluating the predictive accuracy of volatility models. Journal of Forecasting, 20(2), 87-109.

*      Mohamed, A. (2005). Would student's t-GARCH improve VaR estimates?, Master Thesis, University of Jyvaskyla. Finland.

*      Omari, C. O. (2017). A comparative performance of conventional methods for estimating market risk using value at risk. International Journal of Econometrics and Financial Management, 5(2), 22-32.

*      Orhan, M., & Köksal, B. (2012). A comparison of GARCH models for VaR estimation. Expert Systems with Applications, 39(3), 3582-3592.‏

*      Romero, P. A., & Muela, S. B. (2009). A detailed comparison of value at risk in international stock exchanges. Documentos de Trabajo FUNCAS, (452), 1.‏

*      Zhu, B., Ye, S., He, K., Chevallier, J., & Xie, R. (2019). Measuring the risk of European carbon market: an empirical mode decomposition-based value at risk approach. Annals of Operations Research, 281(1-2), 373-395.