The ranking of Exchange-Trade Funds (ETFs); Applying the parametric value at risk approach

Subject Areas : Journal of Investment Knowledge

Gholamreza Zomorodian ¹ , Fraydoon Rahnamay Roodposhti ² , Maryam Borzabadi Farahani ³

1 - Assistant Professor and Faculty Member of Faculty of Management, Islamic Azad University, Central Tehran Branch, Commercial Management Department, Tehran, Iran
2 - Professor and member of the faculty of Islamic Azad University, Tehran Science and Research Branch, Financial Management Department, Tehran, Iran
3 - P.HD. Student, Financial engineering, Department of Management, Rasht Branch, Islamic Azad University Rasht, Iran (Corresponding Author)

Received: 2017-10-18 Accepted : 2018-01-24 Published : 2019-09-23

Keywords: Exchange-Traded Funds, stock exchange, Value at risk, inverted variance model,

Abstract :

Studying and ranking the Exchange-Traded Funds have been vital issues, since these asset funds have been amongst the most popular financial means, which their significant emergence and growth may confirm undeniable success in the global market. On the other hand, the most part of studying and ranking these funds can be categorized based on the efficiency criteria. Accordingly, applying a new perspective, this paper would consider the funds ranking based on value at risk approach. In doing so, the funds have been considered who had been active in the period of the 2014-September to 2017- September. Findings of the research show the appropriate value at risk models based on GARCH approach. In addition, the ranking based on the loss function illustrates that Almas, Atlas and Asam Exchange-Traded Funds have had the lowest risk in this study.    

References:

*       زمردیان، غلامرضا، (1394)، "مقایسه توان تبیین مدل‌های ناپارآمتریک و مدل‌های شبکه عصبی در سنجش میزان ارزش در معرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 6، شماره24، پاییز 1394، صفحه 73-90

*       زمردیان، غلامرضا، (1394)، "مقایسه توان تبیین مدل‌های پارآمتریک (اقتصادسنجی) و ناپارآمتریک (مونت کارلو) در سنجش میزان ارزش در معرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران"، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 6، شماره 22، بهار 1394، صفحه 147-164

*       رهنمای رودپشتی، فریدون؛ قندهاری، شراره؛ (1394)، "برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران"، مجله مهندسی مالی و مدیریت اوراق بهادار، دوره 6، شماره 24، پاییز 1394، صفحه 91-113

*       کشاورز حداد، غلامرضا؛ حیرانی، مهرداد؛ (1393)، "برآورد ارزش در معرض ریسک با وجود ساختار وابستگی در بازدهی بازارهای مالی: رهیافت توابع کاپولا"، مجله تحقیقات اقتصادی- دوره 49، شماره 4، زمستان 1393، صفحه 869-902

*       کشاورز حداد، غلامرضا، (1394)، " اقتصادسنجی سری‌های زمانی مالی"- نشر نی

*       سجاد، رسول؛ هدایتی، شهره؛ هدایتی، شراره؛ (1393)، "برآورد ارزش در معرض خطر با استفاده از نظریه ارزش فرین در بورس اوراق بهادار تهران"، فصلنامه دانش سرمایه‌گذاری، دوره 3، شماره 9، بهار 1393، صفحه 133-155

*       ادبی فیروزجائی، باقر؛ مهرآرا، محسن؛ محمدی، شاپور؛ (1395)، "برآورد و ارزیابی ارزش در معرض ریسک بورس اوراق بهادار تهران بر مبنای روش شبیه‌سازی پنجره"، فصلنامه تحقیقات مدلسازی اقتصادی، شماره 23، بهار 1395

*       Aloui, C., Mabrouk, S., (2010). “Value-at-risk estimations of energy commodities via longmemory, asymmetry and fat-tailed GARCH models”, Energy Policy, 38, 2326–2339.

*       Arora, Kavita, (2015). “Risk-Adjusted Performance Evaluation of Indian Mutual Fund Schemes”, SAGE Publications, 19.1, 79-94.

*       Arouri, M., Lahiani, A., Lévy, A., Nguyen, D.K., (2012). “Forecasting the conditional volatility of oil spot and futures prices with structural breaks and longmemory models”, Energy Econ, 34 (1), 283–293.

*       Baillie, R., Bollerslev, T., Mikkelsen, H., (1996). “Fractionally integrated generalized autoregressive conditional heteroscedasticity”, J. Econ, 74, 3–30.

*       Basel Committee on Banking Supervision, (1996). “Supervisory framework for the use of backtesting in conjunction with the internal model-based approach to market risk capital requirements.” Bank for International Settlements, Basel, Switzerland.

*       Basel Committee on Banking Supervision, (2004). “International Convergence of Capital Measurement and Capital Standards”, Bank for International Settlements, Basel, Switzerland.

*       Baur, D.G., McDermott, T.K., (2010). “Is gold a safe haven? International evidence.”, J. Bank, Finance, 34, 1886–1898.

*       Bollerslev, T., (1986). “Generalized autoregressive conditional heteroscedasticity”, J. Econ, 31,307–327.

*       Browne, F., Cronin, D., (2010). “Commodity prices, money and inflation”, J. Econ. Bus, 62, 331–345.

*       Engle, R.F., (1982). “Autoregressive conditional heteroscedasticity with estimates of the variance of UK inflation”, Econometrica, 50, 987–1008.

*       Engle, R.F., Bollerslev, T., (1986). “Modelling the persistence of conditional variances”, Econ. Rev, 5, 1–50.

*       Aas, K., & Berg, D., (2009). “Models for construction of multivariate dependence a comparison study”, European Journal of Finance, 15 (7–8), 639–659.

*       Embrechts, P., Lindskog, F., & McNeil, A., (2003). “8 modelling dependence with copulas and applications to risk management”, In S. T. Rachev (Ed.), Handbook of heavy tailed distribution in finance, 329–384.

*       Engle, R. F., (1982), “Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation”, Econometrica, 50(4), 987–1007.

*       Frees, E.W., Carriere, J., & Valdez, E., (1996), “Annuity valuation with dependent mortality”, The Journal of Risk and Insurance, 63 (2), 229–261.

*       Patel, Mahesh K and Kalpesh P. Prajapati, (2012). “Comparative Study On Performance Evaluation of Mutual Fund Schemes Of Indian Companies, Researchers world”, Journal of Arts, Science & Commerce Vol-III, Issue3 (3), 47-59.

*      Shivangi Agarwal, Nawazish Mirza, (2017). “A study on the risk- adjusted performance of mutual funds industry in India”, Review of Innovation and Competitiveness, V3, i1