کاربرد تئوری مقدار فرین در پیش‌بینی ارزش در معرض ریسک
محورهای موضوعی : دانش سرمایه‌گذاری
حسین فلاح‌طلب
1
(کارشناسی ارشد رشته مهندسی مالی، دانشگاه علوم اقتصادی تهران)
محمدرضا عزیزی
2
(کارشناسی ارشد رشته مهندسی مالی، دانشگاه علوم اقتصادی تهران (مسئول مکاتبات))
کلید واژه: ارزش در معرض ریسک, تئوری مقدار فرین, رویکرد فراتر از آستانه, روش گارچ,
چکیده مقاله :
کمّیت بخشی به عدم اطمینان یکی از مهم‌ترین موضوعات در مباحث مالی می باشد، بطوریکه امروزه هر فعالیت مالی و سرمایه گذاری مستلزم ارزیابی و مدیریت ریسک است. از آنجایی که ارزش در معرض ریسک (VaR) در سال 1988 به عنوان معیار سنجش ریسک توسط مؤسسات بین‌المللی برگزیده شد، استفاده از آن عمومیت یافته است. پیش بینی دقیق VaR معیار ارزیابی مناسبی را در تصمیم‌گیری‌های سرمایه گذاری و مدیریت ریسک فراهم می کند. به علت دنباله پهن بودن اکثر سری‌های زمانی مالی، تئوری مقدار فرین (EVT) ابزاری قدرتمند در تعیین VaR با تمرکز بر شکل توزیع های احتمالیِ دنباله پهن می باشد. در این مقاله رویکرد فراتر از آستانه را در پیش بینی ارزش در معرض ریسک شاخص کل بورس اوراق بهادار تهران بکار می گیریم و نتایج این روش را با نتایج حاصل از دیگر رویکردها شامل روش خود رگرسیونی مشروط بر ناهمسانی واریانس، شبیه سازی تاریخی و واریانس-کوواریانس مقایسه می کنیم. نتایج تحقیق نشان می دهد که استفاده از این رویکرد در سطوح اطمینان بالا قابل اتکا می باشد.
Quantifying the uncertainty is one of the most important subject in financial issues, so nowadays in each financial and investment activity risk assessment and management is required. Value-at-risk (VaR) has become a popular risk measure since it was adopted by the International agencies in 1988. Precise prediction of VaR provides proper evaluation criteria in areas such as investment decision-making and risk management. Due to the fat-tailed distribution in most real financial time-series, extreme value theory (EVT) is a powerful tool in determining the VaR by concentrating on the shape of the fat-tailed probability distribution. In This study, Peak Over Threshold (POT) approach used for value at risk forecasting by Tehran Stock Exchange (TSE) data. The results show this approach is better than traditional approaches such as historical simulation and variance-covariance methods.