مدل سازی و پس آزمایی VaR از لحاظ موقعیت های کوتاه و بلند مدت با توجه به ارزش های دورن و برون نمونه: کاربردی از مدل های خانواده GARCH انباشته کسری

محورهای موضوعی : مهندسی مالی

منصور کاشی ¹ (کارشناس ارشد مدیریت بازرگانی – مدیریت مالی دانشگاه سیستان و بلوچستان)
سیدحسن حسینی ² (دانشجوی دکتری مدیریت بازرگانی گرایش رفتار ومنابع انسانی دانشگاه اصفهان،اصفهان،ایران)
عطیه‌السادات نیازخانی ³ (کارشناس ارشد حسابداری دانشگاه ازاد اسلامی کاشان.ایران)
سیدامین عبدالهی ⁴ (دانشجوی کارشناسی ارشد مدیریت صنعتی گرایش مالی دانشگاه آزاد اسلامی واحد نجف آباد،اصفهان،ایران)

تاریخ دریافت : 1394/12/15 تاریخ پذیرش : 1395/02/18 تاریخ انتشار : 1395/10/01

کلید واژه: ارزش در معرض ریسک, موقعیت های معاملاتی کوتاه و بلند مدت, HYGARCH, FIGARCH, آزمون پس آزمایی,

چکیده مقاله :

در پژوهش حاضر علاوه بر محاسبه موقعیت های معاملاتی کوتاه و بلند مدت به بررسی ارزش های درون نمونه و برون نمونه VaR که برای ارزیابی کیفیت پیش بینی مدل براورد شده در نظر گرفته شده است، می پردازیم. قبل از تخمین VaR، نتایج مدل های خانواده انباشته کسری GARCH(حافظه بلندمدت) نشان از این دارد که مدل HYGARCH(1,d,1) با توزیع چوله Student-t، نتیجه ایی شبیه مدل FIGARCH(1,d,1) با توزیع چوله Student-t را در مورد پدیده دم پهن به نمایش می گذارد. از مقایسه دو مدل مذکور با توزیع های مختلف مدل HYGARCH(1,d,1) با توزیع چوله Student-t بر اساس معیار AIC و ارزش های حداکثری لگاریتم راست نمایی، مدلی برتر شناخته شد. آزمون های نرخ شکست، ، ، بر اساس طول و DQ که برای پس آزمایی VaR درون نمونه تهیه شده اند، نشان از این دارند که مدل VaR درون نمونه با student-t HYGARCH(1,d,1) عملکرد قابل قبول تری از توزیع های دیگر مدل HYGARCH(1,d,1) و مدل FIGARCH(1,d,1) خواهد داشت. از این رو به بررسی VaR برون نمونه با student-t HYGARCH(1,d,1) پرداخته ایم. نتایج تابع زیان VaR نیز نشان از این دارد که در کلیه سطوح کوانتیل ها مدل FIGARCH(1,d,1) کمترین زیان بدست آمده را در بر دارد. در نهایت یافتیم مدلی که ویژگی حافظه بلند مدت در واریانس شرطی را داراست، کمترین زیان و یا عملکرد مناسب تری در ارزیابی پیش بینی را ارائه می دهد.

چکیده انگلیسی:

In this study, In addition to calculate the short and long trading positions, we examined In Sample and Out of Sample VaR to assess the quality forecast model is considered. To estimate VaR Result, family models Fractionally Integrated GARCH (long term memory) shows that the model HYGARCH (1, d, 1) with the distribution skewed Student-t similar to the result for FIGARCH (1, d, 1) with skewed Student-t distribution for fat-tail phenomenon exhibits. A comparison of the two models with different distribution model HYGARCH (1, d, 1) with skewed Student-t distribution based on AIC criteria and maximum log-likelihood model was superior. failure rates,  , and duration-based tests where were prepared for back testing in Sample VaR, Indicates that the VaR model of the student-t HYGARCH (1, d, 1) acceptable performance than other distributed models HYGARCH (1, d, 1) and the FIGARCH (1, d, 1) will be . So to estimate Out of Sample VaR by student-t HYGARCH (1, d, 1) has been paid. Like the analysis of the in sample VaR, Out of Sample VaR was compared with the observed output and results were evaluated by and DQ tests. Ultimately resulting VaR-based loss function at all levels quintile (either long or short term trading positions) shows that the model that has the characteristics of long memory in the conditional variance, minimum losses and better performance in assessment Forecast offers.