برآورد ارزش در معرض خطر شرطی(CVaR) با در نظرگرفتن استواری سنجه بر مبنای روش استوار کیپرا

الموضوعات : دانش سرمایه‌گذاری

احسان محمدیان امیری ¹ (دانشجوی کارشناسی‌ارشد مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی تهران)
مونا علی کرمی ² (دانشجوی کارشناسی‌ارشد مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی تهران)
سیدبابک ابراهیمی ³ (عضو هیئت علمی دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی تهران (نویسنده مسئول))

تاريخ الإرسال : 07 السبت , شوال, 1438 تاريخ التأكيد : 24 الإثنين , صفر, 1439 تاريخ الإصدار : 19 السبت , شوال, 1440

الکلمات المفتاحية: ارزش در معرض خطر‌, ارزش در معرض خطر شرطی, روش استوار کیپرا, خانواده‌ی گارچ,

ملخص المقالة :

از آنجایی که فضای حاکم بر بازارهای مالی نامطمئن و پر‌ ابهام است، اندازه‌گیری ارزش در معرض خطر شرطی‌‌ در سال‌های اخیر از اهمیت بالایی برای شرکت‌های مالی و سرمایه‌گذاران خرد و کلان برخوردار شده است. در این مقاله به برآورد ارزش در معرض خطر شرطی شاخص کل بورس اوراق بهادار تهران برای توزیع تی‌استودنت در سطوح اطمینان 95‌درصد و 99‌درصد با استفاده از روش استوار کیپرا که به عنوان یک رویکرد جدید برای برآورد استوار ارزش در معرض خطر شرطی‌ پیشنهاد می‌گردد، پرداخته شده است. برای ارزیابی عملکرد رویکرد مذکور، مقایسه بین آن و روش‌های مرسوم GARCH، EGARCH و TGARCH با استفاده از چهار آزمون پس‌آزمایی متشکل از آزمون پوشش غیرشرطی، آزمون پوشش شرطی، آزمون ترکیبی و آزمون تابع زیان لوپز صورت پذیرفت. نتایج حاصل‌ شده نشان می‌دهد، روش استوار کیپرا در مقایسه با سایر روش‌ها در برآورد ارزش در معرض خطر شرطی عملکرد بهتر و قابل اتکاتری دارد.

المصادر:

*       فلاح پور سعید، رضوانی فاطمه، رحیمی محمدرضا. (1394). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدلهای ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. مجله دانش مالی تحلیل اوراق بهادار، 8(26)،1-18.‎

*       کشاورز حداد غلام‌رضا، صمدی باقر. (1388). برآورد و پیش‌بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانوده .FIGARCH مجله تحقیقات اقتصادی، 1(44)، 193-235.

*       محمدیان امیری احسان، ابراهیمی سید بابک، افراسیابی نژاد مریم. (1396). ارائه رویکردی جدید جهت برآورد استوار ارزش در معرض ریسک؛ رهیافت مقایسه‌ای. مجله مهندسی صنایع و مدیریت دانشگاه صنعتی شریف، زیر چاپ.

*       Acerbi, C., & Tasche, D. (2002). Expected shortfall: a natural coherent alternative to value at risk. Economic notes, 31(2), 379-388.

*       Angelidis, T., Benos, A. and Degiannakis, S. (2004) The use of GARCH models in VaR estimation. Statistical methodology, 1(1), pp.105-128.

*       Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.

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

*       Cipra, T. (1992). Robust exponential smoothing.  Journal of Forecasting, 11(1), 57-69.

*       Croux, C., Gelper, S., & Mahieu, K. (2011). Robust control charts for time series data. Expert Systems with Applications, 38(11), 13810-13815.

*       Dimson, E., & Marsh, P. (1990). Volatility forecasting without data-snooping. Journal of Banking & Finance, 14(2), 399-421.

*       DUAN, J. S., & GONG, Z. Y. (2011). The Stock Index Futures Market Price Risk Measurement System——Empirical Study Based on CVaR-GARCH-R/S Fractal [J]. Journal of Shanxi Finance and Economics University, 5, 004.

*       Gelper, S., Fried, R., & Croux, C. “Robust forecasting with exponential and Holt–Winters smoothing”, Journal of forecasting, 29(3), pp. 285-300 )2010).

*       Gencay, R., & Selcuk, F. (2004). Extreme value theory and Value-at-Risk: Relative performance in emerging markets. International Journal of Forecasting, 20(2), 287-303.

*       Kim, M., & Lee, S. (2016). Nonlinear expectile regression with application to Value-at-Risk and expected shortfall estimation. Computational Statistics & Data Analysis, 94, 1-19.

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

*       Kjellson, B. (2013). Forecasting Expected Shortfall: An Extreme Value Approach.

*       Lopez, J. A. (1999). Methods for evaluating value-at-risk estimates. Economic review, 2, 3-17.

*       Mendes, R. R. A., Paiva, A. P., Peruchi, R. S., Balestrassi, P. P., Leme, R. C., & Silva, M. B. (2016). Multiobjective portfolio optimization of ARMA–GARCH time series based on experimental designs. Computers & Operations Research, 66, 434-444.

*       Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 347-370.

*       Pagan, A. R., & Schwert, G. W. (1990). Alternative models for conditional stock volatility. Journal of econometrics, 45(1), 267-290.

*       Yamai, Y., & Yoshiba, T. (2002). Comparative analyses of expected shortfall and value-at-risk: their estimation error, decomposition, and optimization. Monetary and economic studies, 20(1), 87-121.

*      Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and control, 18(5), 931-955