مدلسازی ساختارهای وابستگی اجزای سیستم مالی ایران با رویکرد ARMA - APGARCH - Vine - Copula

الموضوعات : دانش سرمایه‌گذاری

سهیل خلیلی ¹ (دانشجوی دکتری مدیریت مالی، دانشگاه تهران (نویسنده مسئول))
رضا تهرانی ² (عضو هیات علمی، استاد گروه مدیریت مالی و بیمه دانشگاه تهران)

تاريخ الإرسال : 13 الجمعة , ربيع الأول, 1439 تاريخ التأكيد : 18 الأحد , جمادى الأولى, 1439 تاريخ الإصدار : 19 السبت , شوال, 1440

الکلمات المفتاحية: ساختار وابستگی, توابع کاپیولا, ساخت زوجی واین کاپیولا, ارزش در معرض خطر,

ملخص المقالة :

در این مقاله با بکارگیری رویکرد واین کاپیولا و با استفاده از مشاهدات روزانه از شاخص های بانک، بیمه، سرمایه گذاری ها و سایرمالی در بورس اوراق بهادار تهران طی دوره ای 8 ساله، شواهدی دال بر ارتباط معنی دار و متقارن میان زیر بخش های شاخص مالی بورس اوراق بهادار تهران به دست آمده است. پس از جمع آوری داده ها و محاسبه بازدهی پیوسته گروه ها و پس از برآورد توزیع حاشیه ای نرخ های بازدهی هریک از شاخص ها با استفاده از مدل ARMA-APGARCH و با فرض پیروی مقادیر باقیمانده استاندارد از توزیع تی استیودنت چوله، ساختار وابستگی شاخص های مورد بررسی در قالب ساختارهای R-Vine مدلسازی گردید. با استفاده از یافته های پژوهش و به عنوان کاربرد ساختارهای واین کاپیولا در مدیریت ریسک سبدهای سرمایه گذاری، تخمین سنجه ارزش در معرض خطر با استفاده از این روش به نتایج قابل قبولی منجر شده است.

المصادر:

*         Aloui, R., & Ben Aissa, M. (2016). Relationship between oil, stock prices and exchange rates: A vine copula based GARCH method. The North American Journal of Economics and Finance, 37, 458-471.

*         Applications, P. A. (2014). Forecasting VaR and ES of stock index portfolio: A Vine copula method. Physica A: Statistical Mechanics and its Applications, 416, 112-124.

*         Armin, P., Kim, J., & Tafakori, L. (2016). Measuring systemic risk using vine-copula. Economic Modelling, 53, 63–74.

*         BenSaida, A. (2017). The contagion effect in European sovereign debt markets: A regime-switching vine copula approach. International Review of Financial Analysis, in press.

*         Brechmann, E., Czado, C., & Paterlini, S. (2014). Flexible dependence modeling of operational risk losses and its impact on total capital requirements. Journal of Banking & Finance, 40, 271-285.

*         Choudhry, M. (2013). An introduction to Value at Risk. john Wiley& sons.

*         Ding, Z., Granger, C., & Engle, R. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 98-106.

*         Ding, Z., Granjer, C., & Engle, R. (1993). A long memory property of stock market returns and a new model. Journal of Emprical Finance, 83-106.

*         Fischer, M., Schluter, C., & Weigert, F. (2009). An empirical analysis of multivariate copula models. Quantitative Finance, 9(7), 839-854.

*         Flores, M. Ú., & et   al. (2017). Copulas and Dependence Models with Applications. Switzerland: Springer.

*         Hansen, B. (1994). Autoregressive conditional density estimation. International Economic Review, 35, 705-730.

*         Kurowicka, D., & Joe, H. (2011). Vine Copula Handbook. Hong Kong: World Scientific Publishing.

*         Mahfoud, M. (2012). Bivariate Archimedean copulas: an application to two stock market indices. Vrije Universiteit Amsterdam. Amsterdam.

*         Nelsen, R. (2006). An Introduction to Copulas. Springer.

*         Reboredo, J., & Ugolini, A. (2015). Downside/upside price spillovers between precious metals: A vine copula approach. North American Journal of Economics and Finance, 34, 84-102.

*         Ruschendorf, L. (2013). Mathematical Risk Analysis. Springer.

*         Sukcharoen, K., & Leatham, D. (2017). Hedging downside risk of oil refineries: A vine copula approach. Energy Economics, 66, 493-507.

*         Yu, W., yung, K., & wei, Y. (2017). Measuring Value-at-Risk and Expected Shortfall of crude oil portfolio using extreme value theory and vine copula. Physica A: Statistical Mechanics and its Applications, 490, 1423-1433.