اندازه‌گیری ارزش در معرض ریسک شرطی پرتفوی با روش FIGARCH-EVT در بورس اوراق بهادار تهران

محورهای موضوعی : مهندسی مالی

محمدرضا لطفعلی پور ¹ , مهدیه نصرتی ² , ابوالفضل قدیری مقدم ³ , مهدی فیلسرایی ⁴

1 - استاد، گروه اقتصاد ،موسسه غیر انتفاعی حکیمان بجنورد، ایران
2 - دانشجو کارشناسی ارشد ،رشته حسابداری ، موسسه غیر انتفاعی حکیمان بجنورد، ایران
3 - دانشیار،گروه حسابداری،موسسه غیر انتفاعی حکیمان بجنورد، ایران
4 - دانشجوی دکترا حسابداری، گروه حسابداری ، دانشگاه آزاد اسلامی بجنورد، ایران

تاریخ دریافت : 1395/08/01 تاریخ پذیرش : 1395/10/28 تاریخ انتشار : 1396/04/01

کلید واژه: ارزش در معرض ریسک شرطی, تئوری مقدار فرین, پرتفویFIGARCH-EVT,

چکیده مقاله :

در حال حاضر دقت برآورد ریسک پرتفوی برای مدیران سرمایه‌گذاری مسئله بسیار مهمی است انتخاب مدلی که واریانس را وابسته به زمان محاسبه می‌کندبه جای اینکه واریانس را ثابت در نظر می‌گیرد موجب مدل سازی بهتر داده ها در واقع هدف این پژوهش پیاده سازی یک روش ترکیبی محاسبه ارزش در معرض ریسک شرطی ([i]CVaR)است که تلاطم را در ویژگی خوشه‌ای مدل سازی کرده و مقدارCvaR را با در نظر گرفتن ویژگی دنباله پهنی به طور دقیق محاسبه کند. به این منظور مدلهایی از خانواده [ii]ARCH را در نظر گرفته شده است که ویژگی خوشه‌ای بودن را در مدل لحاظ کرده ، علاوه برآن تئوری مقدار فرین (EVT[iii])را درنظر می‌گیرد که بر دنباله پهن داده‌ها تمرکز دارد. داده‌های پژوهش مربوط به سال‌های 1380-1394 می‌باشد و به صورت روزانه از نرم‌افزارهای رهاورد‌نوین و TseCline استخراج شده است. تجزیه و تحلیل داده‌ها با نرم‌افزارهای (2015)MATLAB و(2013) EXCELانجام شد. یافته‌های پژوهش نشان داد که استفاده از روش FIGARCH –EVT[iv] منجر به تخمین دقیق‌تری از CVaR نسبت به روش HS[v] می‌شود. روش FIGARCH-EVT در مقایسه با روشGARCH-EVT دقت بیشتری دارد. و به طور کلی مدل‌‌هایی که واریانس ناهمسانی را در نظر می‌گیرند نسبت به روش HS از دقت بالاتری برخوردارند. [i]. Conditional value at risk [ii]. Generalized Auto-Regressive Conditional Heteroskedasticity [iii]. Exterem value theory [iv]. Fractionally integrated generalized autoregressive conditional heteroskedasticity -EVT [v]. Historical simulation

چکیده انگلیسی:

An important factor in risk management is optimized conditional value at risk (CVaR) of the portfolio. Choose a model which calculates time depended to variance rather than the model with constant variance lead to improve data modeling. Using an appropriated method for measuring risk in financial asset returns distribution has a great utility. The main purpose of this study is implementing a hybrid procedure to calculate CVaR which, models, volatility and dynamics in clusters, and calculates CVaR value based on fat tail feature. In this case, using Extreme value theory (EVT) leads to calculate CVaR more precisely. In addition to, using some ARCH (autoregressive conditional heteroskedasticity) family models result to dynamic feature in estimating CVaR. Data were used in this study related to TEDPIX during 2001-2015. Total 2781 data were derived from Rahavard Novinand & TseCline softwares as daily. For analysis this TEDPIX data, MATLAB software and EXCELL were used. This result represented, return data distribution has fat tail. The historical simulation (HS) at 95% confidence level isn’t accurate, while the accuracy Generalized Auto-Regressive Conditional Heteroskedasticity-EVT (GARCH-EVT) model at 95% is more suitable. Using (Fractionally integrated generalized autoregressive conditional heteroskedasticity -EVT) FIGARCH-EVT method leads accurate estimates of CVaR in comparison with HS procedure. Calculating CVaR by FIGARCH-EVT-CVaR was more accurate than the GARCH-EVT-CVaR. This model has considered to both GARCH-EVT features and long memory property. The FIGARCH-EVT-CVaR model had acceptable accuracy and its exceptions are independent. In General, models which considered heteroscedastic, had an acceptable accuracy in comparing HS