کاربرد روش شبکه عصبی مصنوعی و مدل‌های واریانس ناهمسانی شرطی در محاسبه ارزش در معرض خطر

الموضوعات :

رضا نریمانی ¹ , نادر حکیمی پور ² , اسعد اله رضایی ³

1 - کارشناس ارشد مهندسی مالی، دانشگاه علوم اقتصادی تهران.ایران
2 - عضو هیأت علمی پژوهشکده آمار ایران .تهران.ایران
3 - کارشناس ارشد اقتصاد .مرکز آمار ایران .تهران.ایران

تاريخ الإرسال : 18 الخميس , شعبان, 1434 تاريخ التأكيد : 23 الجمعة , شوال, 1434 تاريخ الإصدار : 13 الخميس , ذو القعدة, 1434

الکلمات المفتاحية: G17, JEL : G14, C59, G11,

ملخص المقالة :

ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائی‌ها در بازار نشأت می‌گیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار می‌روند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه می‌آورند، لیکن هر یک به تنهایی نمی‌توانند اطلاعات جامع و کاملی را در خصوص ریسک بازار و یا سبد سهام به دست دهند. به همین منظور، ارزش در معرض خطر که به اختصار VaR نامیده می‌شود، تلاشی است برای اینکه عدد معینی در خصوص ریسک بازار و یا سبد سهام به تحلیل‌گران و فعالان بازار ارائه کند. در این تحقیق از کلیه مدل‌های مبتنی بر واریانس ناهمسانی شرطی شامل GARCH، EGARCH، CGARCH، TARCH و GARCH-M و روش شبکه عصبی مصنوعی برای پیش‌بینی ارزش درمعرض خطر پرتفویی متشکل از 50 شرکت با نقدشوندگی بالا استفاده شده است. سپس نتایج به دست آمده با استفاده از آزمون‌های پوشش غیرشرطی کوپیک مورد بررسی قرار گرفت. در نهایت مدل شبکه عصبی در مقایسه با سایر روش‌های مبتنی بر واریانس ناهمسانی شرطی، عملکرد بهتری را بر اساس آزمون کوپیک داشته است. Abstract Market risk is the result of uncertainty about asset’s future returns in market. Nowadays there are various criteria to evaluate the risk associated with market , stock’s portfolio, industry, …. But although these various criteria, have a valuable information for market agents, but not a single comprehensive information about the market risk or stock’s portfolio. For this purpose, "value at risk", offer a unique index of market risk or stock’s portfolio for market’s agent. In this paper all of models based on autoregressive conditional heteroskedasticity (GARCH, EGARCH, CGARCH, TARCH, GARCH-M) and Artificial Neural Network (ANN) method are used to forecasting value at risk for 50 company with high liquidity The results were analyzed using Kupiec Test. Finally Artificial Neural Network model has a better performance compared with other methods based on Kupiec Test.

المصادر:

منابع

-      محمدی، شاپور و راعی، رضا و فیض‌آباد، آرش، 1387، محاسبه ارزش در معرض خطر پارامتریک با استفاده از مدل‌های واریانس ناهمسانی شرطی در بورس اوراق بهادار تهران، تحقیقات مالی، دوره 10، شماره 25، بهار و تابستان 1387، صفحه 109 تا 124.

-      سجاد، رسول و هدایتی، شهره، 1393، برآورد ارزش در معرض خطر با استفاده از نظریه ارزش فرین در بورس اوراق بهادار تهران، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، سال سوم، شماره نهم.

-      اسلامی بیدگلی، غلامرضا و راعی، رضا و کمال‌زاده، سحر، 1392، محاسبه ارزش در معرض خطر قیمت سبد نفتی اوپک با استفاده از مدل‌های حافظه بلندمدت گارچ، فصل‌نامه مطالعات اقتصاد انرژی، سال دهم، شماره 39، صفحات 1-19.

 

-       Bollerslev, T., 1986, "Generalized Autoregressive Conditional Heteroskedasticity", Journal of Econometrics, Vol. 31, No. 3, PP. 307-327.

-       Christiansen, C., 1999, "Value at Risk Using the Factor-ARCH Model", The Journal of Finance, Vol. 1, No. 2.

-       Engle, Robert F., 1982, "Autoregressive Conditional Heteroscedasticity with Estimation of the Variance of United Kingdom Inflation", Econometrica, Vol. 50, No. 4, PP. 987-1007.

-       Giot, P., and Laurent, S., 2003a, "Value at Risk for Long and Short Trading Positions", Journal of Applied Econometrics, Vol. 18, PP. 641-664.

-       Glosten, L., Jaganathan, R., and Runkle, D., 1993, "Relationship between the Expected Value and Volatility of the Normal Excess Returns on Stocks", Journal of Finance, Vol. 48, PP. 1779-1802.

-       Jorion, P., 2000, Value at Risk: The New Benchmark for Managing Financial Risk, McGraw-Hill, New York.

-       Kupiec, P., 1995, "Techniques for Verifying the Accuracy of Risk Measurement Models", Journal of Derivatives, Vol. 3, PP. 73-84.

-       Lopez, J.,1999, "Methods for Evaluating Value-at-Risk estimates, Federal Reserve Bank of San Francisco", Economic Review, Vol. 2, PP. 3-17.

-       Nelson, D., 1991, "Conditional Heteroscedasticity in Asset Returns: A new Approach", Econometrica, 59, 347-370.

-       Marimoutou V, Raggad, B, Trabelsi, A, 2009, Extreme Value Theory and Value at Risk: Application to oil market, Energy Economics, 519-530.

-       Chan, N. H., S. Deng, L. Peng, and Z. Xia, 2007, Interval estimation of Value at Risk based on GARCH models with heavy–tailed innovations. Journal of Econometrics, 137, 556-576.