توسعه مدل پیش بین ریسک منسجم در شرکت‌های بورسی: رویکرد داده های حسابداری

محورهای موضوعی : دانش سرمایه‌گذاری

حسین آریایی نژاد ¹ (دانشجوی دکتری، گروه حسابداری، دانشگاه آزاد اسلامی، واحد علی‌آباد کتول، علی‌آباد کتول، ایران.)
آرش نادریان ² (استادیار، گروه حسابداری، دانشگاه آزاد اسلامی، واحد علی‌آباد کتول، علی‌آباد کتول، ایران.)
حسین دیده خانی ³ (استادیار، گروه مهندسی مالی، دانشگاه آزاد اسلامی، واحد علی‌آباد کتول، علی‌آباد کتول، ایران.)
علی خوزین ⁴ (استادیار، گروه حسابداری، دانشگاه آزاد اسلامی، واحد علی‌آباد کتول، علی‌آباد کتول، ایران.)

تاریخ دریافت : 1399/04/28 تاریخ پذیرش : 1399/10/09 تاریخ انتشار : 1401/10/01

کلید واژه: ارزش در معرض خطر شرطی, گارچ, انفیس, ریسک منسجم, مارکوف سوئیچینگ,

چکیده مقاله :

بورس اوراق بهادار ایران در سالهای اخیر توسعه زیادی یافته است. امروزه اهمیت پیش بینی و منافع حاصل از آن، برای تصمیم‌گیری و سیاست‌گذاری از ابعاد مختلف، به خصوص در حوزه سرمایه‌گذاری بر کسی پوشیده نیست. ریسک یکی از اولین دغدغه‌های سرمایه‌گذاران است و معیاری مهم در تصمیم‌گیری‌ها محسوب می‌شود. ارزش در معرض خطر به عنوان یک سنجه ریسک، جای خود را برای اندازه گیری انواع ریسک ها باز کرده اما علی رغم کارآیی بالای این مدل به دلیل برخی نارسایی‌ها از جمله نداشتن ویژگی جمع پذیری یک سنجه منسجم ریسک نیست. ارزش در معرض خطر شرطی(CvaR) به عنوان معیار ریسک منسجم محسوب می‌شود که اخیرا مورد استقبال قرار گرفته و بعنوان ابزاری مفید برای اندازه گیری ریسک مطرح گردیده است.جهت پیش بینی ریسک تاکنون مدلهای مختلفی ارایه شده که هر یک دارای نقاط قوت و ضعفی بوده‌اند. برخی از لحاظ کمبود مبانی نظری مناسب دارای ضعف بوده و برخی دیگر علی‌رغم بهره بردن از مبانی نظری مناسب در عمل کارآیی مناسبی از خود نشان نداده اند. ارائهمدلی مناسب برای برآورد ریسک منسجم که هم به سرمایه گذاران کمک نماید و هم خطرات غیرمنتظره‌ای که ممکن است شرکت‌ها را تهدید کنند، پیش بینی نماید. در طول سالهای اخیر، به کاربرد مدلهای شبکه عصبی و مدل های ترکیبی توجه بسیاری شده است. در تحقیق حاضر یک مدل ترکیبی پیش بینی از ریسک منسجم با استفاده از سیستم استنتاج شبکه عصبی فازی (انفیس) و مبتنی بر مدلهای مارکوف سوئیچینگ و مدلهای خانواده گارچ ارائه و توسعه داده شده است.

چکیده انگلیسی:

Iran Stock Exchange has developed a lot in recent years. Today, the importance of forecasting and its benefits for decision-making and policy-making from various dimensions, especially in the field of investment, is not hidden from anyone. Risk is one of the first concerns of investors and is an important criterion in decision making. Value at risk as a risk measure has given way to measuring a variety of risks, but despite the high efficiency of this model due to some shortcomings, including the lack of aggregation feature of a coherent risk measure. Conditional Risk Value (CvaR) is considered as a coherent risk measure that has recently been welcomed and has been proposed as a useful tool for measuring risk.To predict the risk, various models have been presented so far, each of which has its strengths and weaknesses. Some of them are weak in terms of lack of appropriate theoretical foundations and others have not shown proper efficiency in practice despite using appropriate theoretical foundations. Provide adequate empirical risk assessment that helps both investors and anticipate unexpected risks that may threaten companies. In recent years, much attention has been paid to the application of neural network models and hybrid models. In the present study, a combined model of coherent risk prediction is presented and developed using fuzzy neural network inference system (ANFIS) based on Markov switching models and Garch family models.

منابع و مأخذ:

• ابونوری اسمعیل، عبداللهی محمدرضا (1390)، مدلسازی نوسانات بخش­های مختلف بازار سهام ایران با استفاده از مدل گارچ چندمتغیره، نشریه تحقیقات مالی، دوره 14، شماره 1، بهار و تابستان 1391، صص 1-16.


• پیکارجو، کامبیز و بدریه حسین­پور (1389)، "اندازه­گیری ارزش در معرض ریسک در شرکتهای بیمه با استفاده از مدل GARCH"، فصلنامه­ی صنعت بیمه، سال 25، شماره 4، صص 33-58.


• حنیفی، فرهاد (1380)،" بررسی میزان ریسک پذیری شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از طریق سنجه ارزش در معرض خطر"، پایان نامه دکترای رشته مدیریت بازرگانی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات


• خلیلی عراقی، مریم و امیر یکه زارع (1389)، "برآورد ریسک بازار صنایع بورس و اروراق بهادار تهران بر مبنای ارزش در معرض خطر (VaR)"، مجله­ی مطالعات مالی، شماره 7، صص 47-72.


• خیابانی، ناصر و مریم ساروقی (1390)، ارزش گذاری برآورد VaR بر اساس مدل­های خانواده ARCH (مطالعه­ی موردی برای بازار اوراق بهادار تهران)، فصلنامه­ی پژوهش­های اقتصادی ایران، سال 16، شماره 47، صص 53-73.


• ساده، احسان؛ احتشام راثی، رضا و شدیایی نرمیقی، علی (1396)، مدل فازی عصبی با ترکیب الگوریتم ژنتیک جهت پیش بینی قیمت سهام در صنعت خودرو در بورس اوراق بهادار تهران، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 33، صص 110- 115.


• راعی، رضا و سعیدی علی (1388)، مبانی مهندسی مالی و مدیریت ریسک، انتشارات سمت، تهران.


• راعی، رضا و احمد تلنگی (1383)، مدیریت سرمایه­گذاری پیشرفته، انتشارات سمت، تهران.


• رستمیان، فروغ و فاطمه حاجی بابایی (1388)، اندازه گیری ریسک نقدینگی بانک با استفاده از مدل ارزش در معرض خطر (مطالعه­ی موردی؛ بانک سامان)، پژوهشنامه­ی حسابداری مالی و حسابرسی، شماره 3، صص 175-198


• شاپور، راعی رضا، فیض آباد، آرش (1387)، "محاسبه ارزش در معرض ریسک پارامتریک با استفاده از مدلهای ناهمسانی واریانس شرطی در بورس اوراق بهادار تهران"، تحقیقات مالی، دوره 10، شماره 25، بهار و تابستان 1387، صص 109-124


• شهریار بهنام، احمدی سیدمحمد مهدی، (1385)، " تعیین میزان بهینه­ی سرمایه گذاری در بازار بورس و اوراق بهادار تهران با رویکرد ارزش در معرض ریسک"، فصلنامه بررسی­های حسابداری و حسابرسی، دوره 14، شماره 3


• شهرآبادی، ندا (1389) مدیریت سرمایه­گذاری در بورس اوراق بهادار تهران، چاپ اول، تهران، سازمان بورس اوراق بهادار، اطلاع رسانی و خدمات بورس


• رهنمای رودپشتی، فریدون و میرغفاری، سیدرضا (1392)، "ارزیابی عملکرد پرتفوی در بورس اوراق بهادار تهران؛ کاربرد ارزش در معرض خطر (Value at Risk)". مهندسی مالی و مدیریت اوراق بهادار، شماره 8، صص 51-78


• فلاح پور، سعید و یاراحمدی، مهدی (1391) ، "برآورد ارزش در معرض ریسک با استفاده از تئوری مقدار حدی در بورس اوراق بهادار تهران"، مهندسی مالی و مدیریت اوراق بهادار زمستان، دوره 4، شماره 13، صص 103-122.


• عبده تبریزی، حسین، رادپور، میثم (1388)،" اندازه گیری و مدیریت ریسک بازار"، انتشارات آگاه و انتشارات پیشرو، تهران.


• علیپور، شیرین؛ عزیز زاده، فاطمه و منطقی، خسرو (1397)، مدل‌سازی بازده مالی با استفاده از مدل "مارکوف ترکیبی متغیر بازمان نرمال-گارچ، دانش مالی تحلیل اوراق بهادار، دوره 11، شماره 37، بهار 1397، صفحه102-91.


• محمدی، شاپور؛ راعی، رضا و آرش فیض آباد (1387)،" محاسبه ارزش در معرض خطر پارامتریک با استفاده از مدلهای ناهمسانی واریانس شرطی در بورس اوراق بهادار تهران"، مجله­ی تحقیقات مالی، دوره 10، شماره 25


• نادمی، یونس؛ ابونوری، اسمعیل و علمی، زهرا (1394)، ارائه یک الگوی هشدار پیش از وقوع نوسانات شدید در بازار سهام تهران: رویکرد مارکوف سوئیچینگ گارچ، دانش مالی تحلیل اوراق بهادار، دوره 8، شماره 28، زمستان 1394، صص:40-27.


• نظیفی نایینی، مینو؛فتاحی، شهرام؛ صمدی، سعید (1391)، مدل­سازی و پیش بینی نوسانات بازار سهام با استفاده از مدل انتقالی گارچ مارکف، تحقیقات مدل­سازی اقتصادی، دوره ۳، شماره ۹ – صص 117 تا 141.


• نمازی، محمد و شکرالله خواجوی (1383)، سودمندی متغیرهای حسابداری در پیش بینی ریسک سیستماتیک شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، بررسی های حسابداری و حسابرسی، شماره 38، صص 93-119.


• نیکواقبال، علی اکبر، گندلی علیخانی، نادیا، نادری، اسماعیل (1393). ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام. دانش مالی تحلیل اوراق بهادار، 7(شماره 2(پیاپی 22))،صص: 77-91.


• نوروش، ایرج و عباس وفادار(1378)، بررسی سودمندی اطلاعات حسابداری در ارزیابی ریسک بازار شرکتها در ایران، حسابدار، سال چهاردهم، شماره 135، صص 16-28.


• Engle, R. F., & Sheppard, K. (2001). Theoretical and empirical properties of dynamic conditional correlation multivariate GARCH (No. w8554). National Bureau of Economic Research.


• Michell, K. V., and Kristjanpolleri, W, R,. (2018)., A Stock Market Risk Forecasting model through integration of switching regime, ANFIS and GARCH techniques, Appied Soft Computing, S1568-4946(18)30114-5.


• Adhikari, R., &Agrawal, R. K. (2014). A combination of artificial neural network and random walk models for financial time series forecasting. Neural Computing and Applications, 24(6), 1441-1449.


• Wei, L. Y., Cheng, C. H., & Wu, H. H. (2014). A hybrid ANFIS based on n-period moving average model to forecast TAIEX stock. Applied Soft Computing, 19, 86-92.


• Ahmadifard, M., Sadenejad, F., Mohammadi, I., &Aramesh, K. (2013). Forecasting stock market return using ANFIS: the case of Tehran Stock Exchange. International Journal of Advanced Studies in Humanities and Social Science, 1(5), 452-459.


• Engle, R. F., Ghysels, E., &Sohn, B. (2013). Stock market volatility and macroeconomic fundamentals. Review of Economics and Statistics, 95(3), 776-797.


• Corradi, V., Distaso, W., &Mele, A. (2013).Macroeconomic determinants of stock volatility and volatility premiums. Journal of Monetary Economics, 60(2), 203-220.


• Sadorsky, P. (2014). Modeling volatility and correlations between emerging market stock prices and the prices of copper, oil and wheat. Energy Economics, 43, 72-81.


• Choi, K., &Hammoudeh, S. (2010). Volatility behavior of oil, industrial commodity and stock markets in a regime-switching environment. Energy Policy, 38(8), 43884399.


• Walid, C., Chaker, A., Masood, O., & Fry, J. (2011). Stock market volatility and exchange rates in emerging countries: A Markov-state switching approach. Emerging Markets Review, 12(3), 272-292.


• Application of Artificial Neural Network. International Journal of Computer Applications, 70(4).


• Mantri, J. K., Gahan, P., &Nayak, B. B. (2014). Artificial neural networks—an application to stock market volatility. Soft-Computing in Capital Market: Research and Methods of Computational Finance for Measuring Risk of Financial Instruments, 179.


• Kristjanpoller, W., &Minutolo, M. C. (2015). Gold price volatility: A forecasting approach using the Artificial Neural Network–GARCH model. Expert Systems with Applications, 42(20), 7245-7251.


• Hung, J. C. (2011). Applying a combined fuzzy systems and GARCH model to adaptively forecast stock market volatility. Applied Soft Computing, 11(5), 3938-3945.


• Dash, R., & Dash, P. K. (2016). An evolutionary hybrid Fuzzy Computationally Efficient EGARCH model for volatility prediction. Applied Soft Computing, 45, 40-60.


• Atsalakis, G. S., &Valavanis, K. P. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), 10696-10707.


• Kristjanpoller, W., Fadic, A., &Minutolo, M. C. (2014). Volatility forecast using hybrid Neural Network models. Expert Systems with Applications, 41(5), 2437-2442