ریزش مورد انتظار پویای چند مقیاسی در بورس اوراق‌بهادار تهران: تجزیه طیفی از ریسک دنباله در افق‌های زمانی

محورهای موضوعی : مدیریت ریسک

سیدعلی موسوی سرحدی ¹ , حسین ایزدی ² , مژگان صفا ³ , محمدرضا پور فخاران ⁴

1 - گروه مدیریت مالی، واحد قم، دانشگاه آزاداسلامی، قم، ایران.
2 - گروه حسابداری، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران.
3 - گروه حسابداری، واحد قم، دانشگاه آزاداسلامی، قم، ایران.
4 - گروه حسابداری، واحد قم، دانشگاه آزاداسلامی، قم، ایران.

تاریخ دریافت : 1401/05/05 تاریخ پذیرش : 1401/09/20 تاریخ انتشار : 1401/10/01

کلید واژه: ریزش مورد انتظار پویای چند مقیاسی (DMS-ES), تجزیه طیفی, ریسک دنباله, افق‌های زمانی, بورس اوراق‌بهادار تهران,

چکیده مقاله :

هدف: هدف اصلی پژوهش حاضر، بررسی ریسک دنباله در بورس اوراق‌بهادار تهران با استفاده از روش‌های پویا و تجزیه طیفی سری زمانی در قالب معیار ریزش مورد انتظار پویای چند مقیاسی (DMS-ES) می‌باشد.روش‌شناسی پژوهش: در این راستا از داده‌های روزانه شاخص کل بورس اوراق‌بهادار تهران در دوره زمانی 1390 تا 1400 استفاده شد و پس از استخراج مؤلفه‌های اطلاعاتی کوتاه‌مدت، میان‌مدت و بلندمدت سری زمانی بازده شاخص، چهار مدل پیش‌بینی معیار ریزش مورد انتظار (ES) با استفاده از رویکرد تیلور (2017) در افق‌های زمانی مختلف برآورد گردید.یافته‌ها: نتایج برآورد مدل‌ها و آزمون‌های پس‌آزمایی نشان‌می‌دهد که معیار ریزش مورد انتظار (ES) ماهیتی کوتاه‌مدت داشته و مدل پویا با استفاده از مؤلفه‌های کوتاه‌مدت در افق زمانی یک‌روزه بالاترین کارایی را در بین مدل‌های معرفی شده داشته است. علاوه بر این، نتایج مقایسه مدل‌ها بر اساس آزمون متوسط زیان نشان‌می‌دهد که استفاده از مؤلفه‌های تجزیه طیفی، کارایی پیش‌بینی‌های پویای معیار ریزش مورد انتظار (ES) در افق‌های زمانی مختلف را افزایش می‌دهد.اصالت / ارزش افزوده علمی: در نهایت باتوجه‌به نتایج پژوهش حاضر پیشنهاد می‌شود در راستای افزایش کارایی پیش‌بینی‌های معیارهای ریسک، مدل‌های پویا و الگوریتم‌های تجزیه سیگنال مورداستفاده قرار گیرد.

چکیده انگلیسی:

Purpose: The main purpose of the present study is to investigate the tail risk in the Tehran Stock Exchange using dynamic methods and time series spectral analysis in the form of the dynamic multi-scale Expected Shortfall (DMS-ES).Methodology: In this study, the daily data of Tehran Stock Exchange total index in the period 2011/03/26 - 2022/03/19 were used then extracting the short-term, medium-term and long-term information components of the index return time series, four predictive models of expected fallout (ES) were estimated using Taylor (2017) approach at different time horizons.Findings: The results of estimating the models and back tests show that the expected shortfall (ES) is short-term in nature and the dynamic model using short-term components in the one-day time horizon has the highest efficiency among the introduced models. In addition, the results of comparing the models based on the average loss test show that the use of spectral analysis components increases the efficiency of dynamic predictions of the expected shortfall (ES) at different time horizons.Originality / Value: Finally, according to the results of this study, it is suggested to use dynamic models and signal decomposition analysis algorithms to increase the efficiency of risk criteria predictions.

منابع و مأخذ:

Acerbi, C; Tasche, D. (2002). Expected Shortfall: A Natural Coherent Alternative to Value at Risk. Economic Notes, 31(2), 379–388.

Artzner, P; Delbaen, F; Eber, J. M; Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203–228.

Berger, T; Gençay, R. (2018). Improving daily Value-at-Risk forecasts: The relevance of short-run volatility for regulatory quality assessment. Journal of Economic Dynamics and Control, 92, 30–46.

Botshekan, M. H; Peymani, M; Sadredin Karami, M. M. (2019). Estimate and evaluate non-parametric value at risk and expected shortfall based on principal component analysis in Tehran Stock Exchange. Journal of Financial Management Perspective, 8(24), 79-102. [In Persian]

Bu, D; Liao, Y; Shi, J; Peng, H. (2019). Dynamic expected shortfall: A spectral decomposition of tail risk across time horizons. Journal of Economic Dynamics and Control, 108, 103753.

Engle, R. F; Manganelli, S. (2004). CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles. Journal of Business & Economic Statistics, 22(4), 367–381.

Fallahpour, S; Tabasi, H. (2020). Estimation of Expected Shortfall Based on Conditional Extreme Value Theory Using Multifractal Model and Intraday Data in Tehran Stock Exchange. Financial Research Journal, 22(1), 27-43. [In Persian]

Gerlach, R; Wang, C. (2020). Semi-parametric dynamic asymmetric Laplace models for tail risk forecasting, incorporating realized measures. International Journal of Forecasting, 36(2), 489–506.

Gilanipour, J. (2020). The Evaluation of Systemic Risk in the Iran Banking System by Marginal Expected Shortfall (MES) Criterion. Journal of Economic Research and Policies, 27 (92), 407-429. [In Persian]

Gneiting, T. (2011). Making and Evaluating Point Forecasts. Journal of the American Statistical Association, 106 (494), 746–762.

Graps, A. (1995). An introduction to wavelets. IEEE Computational Science and Engineering, 2(2), 50–61.

Hallin, M; Trucíos Maza, C. C. (2020). Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios: a General Dynamic Factor Model Approach. SSRN Electronic Journal.

Hassani, M; Moradi, S. (2021). The Mediator role of Information Asymmetry in Imperfect Competition Market on the relation between Earnings Forecast Bias & Idiosyncratic Risk derived from Capital Assets Pricing Model. Advances in Finance and Investment, 1(1), 81-100. [In Persian]

Mohammadi Salari, E; Rostami, M. R; Gholami Jamkarani, R; safa, M. (2021). Tail Risk Analysis Using realized measure and Dynamic Asymmetric Laplace Models in Tehran Stock Exchange. Financial Engineering and Portfolio Management, 12(48), 391-410. [In Persian]

Naderi Nooreini, M. M. (2018). The Best Methodology of Estimation of Value-at-Risk in Iranian Mutual Funds. Journal of Asset Management and Financing, 6(1), 159-180. [In Persian]

Patton, A. J; Ziegel, J. F; Chen, R. (2019). Dynamic semiparametric models for expected shortfall (and Value-at-Risk). Journal of Econometrics, 211(2), 388–413.

Percival, D. B; Walden, A. T. (2000). Wavelet Methods for Time SeriesAnalysis. Cambridge university press.

Samavi, M. E; Nikoomaram, H; Madanchi Zaj, M; Yaghobnezhad, A. (2022). Dynamic GAS Based Modeling for Predicting and Assessing the Value at Risk of Tehran Stock Exchange Index and Gold. Advances in Finance and Investment, 3(7), 120-95. [In Persian]

Saranj, A; Nourahmadi, M. (2016). Estimating of value at risk and expected shortfall by using conditional extreme value approach in Tehran Securities Exchange. Financial Research Journal, 18(3), 437-460. [In Persian]

Schleicher, C. ( 2002) An introduction to wavelets for economists. Monetary and Financial Analysis Department Bank of Canada.

Seyfi, S. M. S; Sharifi, A; Arian, H. (2021). Portfolio Value-at-Risk and expected-shortfall using an efficient simulation approach based on Gaussian Mixture Model. Mathematics and Computers in Simulation.

Taiebysani, E; Changi Ashtiani, M. (2018). Forecasting Volatility & Risk Management in Tehran Stock Exchange through Long memory impacts. Financial Engineering and Portfolio Management, 9(34), 121-142. [In Persian]

Taleblou, R; davoudi, M. M. (2018). Estimation of Optimal Investment Portfolio Using Value at Risk (VaR) and Expected Shortfall (ES) Models: GARCH-EVT-Copula Approach. Economics Research, 18(71), 91-125. [In Persian]

Taylor, J. W. (2017). Forecasting Value at Risk and Expected Shortfall Using a Semiparametric Approach Based on the Asymmetric Laplace Distribution. Journal of Business & Economic Statistics, 37(1), 121–133.