برآورد ارزش در معرض ریسک شاخص کل بورس و بیت‌کوین با استفاده از روش خودبرازشی تعمیم‌یافته امتیازی

محورهای موضوعی : اقتصاد سنجی مالی و روش‌های کمّی

محمدابراهیم سماوی ¹ , هاشم نیکومرام ² , مهدی معدنچی زاج ³ , احمد یعقوب نژاد ⁴

1 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
3 - گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران.
4 - گروه حسابداری، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران ، ایران.

تاریخ دریافت : 1400/12/10 تاریخ پذیرش : 1401/06/14 تاریخ انتشار : 1401/06/01

کلید واژه: ارزش در معرض ریسک, شاخص کل بورس, بیت‌کوین, مدل خودبرازشی تعمیم یافته,

چکیده مقاله :

هدف: این پژوهش با هدف مدل‌سازی معیاری نوین جهت اندازه گیری ریسک در راستای رفع نقصان مدل های سنتی در حوزه مدیریت ریسک سرمایه گذاری نگاشته شده است.روش‌شناسی پژوهش: در پژوهش حاضر با هدفی کاربردی، جهت برآورد ارزش در معرض ریسک از داده های قیمتی روزانه بیت کوین (2,707 مشاهده) در سال های 2013 الی 2020 میلادی و داده های شاخص کل بورس اوراق بهادار (2,753 مشاهده) در سال های 1390 الی 1399 در دو گروه آموزش و آزمون (500 مشاهده) استفاده شده است. جهت برآورد ارزش در معرض ریسک با استفاده از روش غیرخطی و زمان متغیر خودبرازشی تعمیم‌یافته (GAS) مدل سازی با یادگیری از داده های گروه آموزش انجام شده و توسط داده های گروه آزمون دقت مدل مشخص شده است.یافته‌ها: یافته ها نشان داد که برای شاخص کل بورس تنها دو مدل GAS و GARCH تخمین زننده مناسب ارزش در معرض ریسک می باشند. از طرفی، برای رمزارز بیت کوین تنها دو مدل GAS و GARCH تخمین زننده مناسب ارزش در معرض ریسک می باشند که مدل GARCH ارجح تر است.اصالت / ارزش افزوده علمی: یافته های پژوهش نشان داد که مدل نوین GAS برآوردکننده ارجح تری برای شاخص کل بورس اوراق بهادار نسبت به مدل های غیرخطی دیگر است. علت این امر ویژگی زمان متغیر و همچنین پویایی مدل GAS است که قابلیت پاسخگویی در شرایط تلاطم بازار را بر خلاف مدل های سنتی در کوتاه مدت دارد. همچنین این نتایج منجر به کمک سرمایه گذاران و نهادهای مالی فعال، جهت مدیریت ریسک در سیستم های معاملاتی خود می باشد.

چکیده انگلیسی:

Purpose: This research has been written with the aim of modeling a new criterion for measuring risk in order to eliminate the shortcomings of traditional models in the field of investment risk management.Methodology: In the present study, with a practical purpose, to estimate the value at risk of daily bitcoin price data (2,707 views) in the years 2013 to 2020 and the data of the total stock exchange index (2,753 views) 2011 to 2020 has been used in two groups of education and test (500 views). In order to estimate the value at risk using the nonlinear method and the generalized variable self-fitting time (GAS) method, modeling was performed by learning from the data of the training group and the accuracy of the model was determined by the data of the experimental group.Findings: The results showed that for the total stock index, only two models, GAS and GARCH, are suitable risk estimators. On the other hand, for Bitcoin cryptocurrencies, only two models, GAS and GARCH, are suitable risk estimators, which GARCH model is more preferable.Originality / Value: Findings showed that the new GAS model is a preferential estimator for the total stock market index than other nonlinear models. This is due to the variable time feature as well as the dynamics of the GAS model, which is able to respond to market turbulence conditions unlike traditional models in the short run. These results also help investors and active financial institutions to manage risk in their trading systems.

منابع و مأخذ:

احمدی، سیـّد محمد مهدی؛ شهریار، بهنام. (1386). تعیین میزان بهینه سرمایه‌گذاری در بازار بورس اوراق بهادار با رویکرد ارزش در معرض ریسک. بررسی‏‌های حسابداری و حسابرسی، 14(3)، 24-3.

بیگ خورمیزی، مجتبی؛ رافعی، میثم. (1399). مدل‏سازی ارزش در معرض ریسک قراردادهای آتی سکۀ بهار آزادی با درنظرگرفتن حافظۀ تاریخی در مشاهدات: کاربردی از الگو‏های FIAPARCH-CHUNG. نشریه مدیریت دارایی و تامین مالی، 8(1)، 82-57.

رهنمای رودپشتی، فریدون؛ کلانتری دهقی، مهدیه. (1393). مدلهای مولتی فرکتال در علوم مالی: ریشه، ویژگیها و کاربردهای آنها. دانش مالی تحلیل اوراق بهادار، 7(24)، 47-25.

زمردیان، غلامرضا؛ رستمی، علی؛ کریمی زند، مهدی. (1393). مقایسه توان تبیین مدل‌های پارامتریک (اقتصادسنجی) و شبکه عصبی در سنجش میزان ارزش درمعرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران. مهندسی مالی و مدیریت اوراق بهادار، 5(21)، 75-55.

طالبی، رقیه؛ زنجیردار، مجید؛ پور فخاران، محمد رضا. (1400). تحلیل و تبیین بازدهی سهام بر اساس گشتاورهای مرتبه سوم و چهارم ریسک غیر سیستماتیک و نقش محدودیت آربیتراژ و توجهات محدود سرمایه گذاران بر آن. پیشرفت‌های مالی و سرمایه‌گذاری، 2(3)، 130-97.

عبادتی، امیدمهدی؛ جعفری، محمدعلی؛ داودی فر، نسیم. (1400). پیش‌بینی قیمت سهام در بازار مالی با استفاده از الگوریتمهای ترکیبی GA-SVM. پیشرفت‌های مالی و سرمایه‌گذاری، 2(5)، 22-1.

فلاح پور، سعید؛ احمدی، احسان. (1393). تخمین ارزش در معرض ریسک پرتفوی نفت و طلا با بهره‎مندی از روش کاپیولا‌ـ گارچ. تحقیقات مالی، 16(2)، 326-309.

فلاح پور، سعید؛ رضوانی، فاطمه؛ رحیمی، محمدرضا. (1394). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدلهای ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. دانش مالی تحلیل اوراق بهادار، 8(26)، 18-1.

کشاورز حداد، غلامرضا؛ زابل، محمد امین. (1399). ارزیابی روش‌های محاسبه ارزش در معرض ریسک طلا با لحاظ جریمه برای بیش‌برآورد ریسک. پژوهشنامه اقتصادی، 20(77)، 28-1.

مهرانی، آزاده؛ نجفی مقدم، علی؛ باغانی، علی. (1400). برآورد ارزش در معرض ریسک (VAR) و ارزش در معرض ریسک شرطی (CoVaR) بورس اوراق بهادار تهران با رویکرد استفاده از توزیع فریشه (FD). مهندسی مالی و مدیریت اوراق بهادار، 12(46)، 475-449.

Afzal, F., Haiying, P., Afzal, F., Mahmood, A., & Ikram, A. (2021). Value-at-Risk Analysis for Measuring Stochastic Volatility of Stock Returns: Using GARCH-Based Dynamic Conditional Correlation Model. SAGE Open, 11(1), 215824402110057.

Ahelegbey, D. F., & Giudici, P. (2020). Market Risk, Connectedness and Turbulence: A Comparison of 21st Century Financial Crises. SSRN Electronic Journal.

Ahmadi, S. M. M., Shahriar, B. (2008). Determining the optimal amount of investment in the stock market with the value-at-risk approach. Accounting and Auditing Review, 14(3), 3-24. [In Persian]

Alexander, G. J., & Baptista, A. M. (2002). Economic implications of using a mean-VaR model for portfolio selection: A comparison with mean-variance analysis. Journal of Economic Dynamics and Control, 26(7-8), 1159–1193.

‌Ardia, D., Bluteau, K., & Rüede, M. (2019). Regime changes in Bitcoin GARCH volatility dynamics. Finance Research Letters, 29, 266–271.

Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, 552–567.

Biek Khormizi, M., & Rafei, M. (2020). Modeling Value at Risk of Futures Contract of Bahar Azadi Gold Coin with Considering the Historical Memory in Observations Application of FIAPARCH-CHUNG Models. Journal of Asset Management and Financing, 8(1), 57-82. [In Persian]

Bouoiyour, J., & Selmi, R. (2016). Bitcoin: A beginning of a new phase. Economics Bulletin, 36(3), 1430-1440.‏

Chen, Y., & Qu, F. (2019). Leverage effect and dynamics correlation between international crude oil and China’s precious metals. Physica A: Statistical Mechanics and Its Applications, 534, 122319.

Cheung, K. C., & Yuen, F. L. (2020). On the uncertainty of VaR of individual risk. Journal of Computational and Applied Mathematics, 367, 112468.

Christoffersen, P. F. (1998). Evaluating Interval Forecasts. International Economic Review, 39(4), 841.

Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.‏

Ebadati, O. M., Jafari, M. A., & Davoodifar, N. (2022). Forecasting Stocks in the Financial Market by Using GA-SVM Hybrid Algorithm. Advances in Finance and Investment, 2(5), 1-22. [In Persian]

Engelbrecht, R. (2003). A comparison of Value-at-Risk methods for portfolios consisting of interest rate swaps and FRAs. Economics Series Working Papers, University of Oxford, Department of Economics.‏

Engle, R. F., & Manganelli, S. (2004). CAViaR. Journal of Business & Economic Statistics, 22(4), 367–381.

Fallahpour, S., & Ahmadi, E. (2014). Estimating Value at Risk of Portfolio of Oil and Gold by Copula-GARCH Method. Financial Research Journal, 16(2), 309-326. [In Persian]

Fallahpour, S., Rezvani, F., & Rahimi, M. (2015). Estimating Conditional VaR Using Symmetric and Non-Symmetric Autoregressive Models in Old and Oil Markets. Financial Knowledge of Securities Analysis, 8(26), 1-18. [In Persian]

Gavronski, P. G., & Ziegelmann, F. A. (2020). Measuring Systemic Risk via GAS models and Extreme Value Theory: Revisiting the 2007 Financial Crisis. Finance Research Letters, 101498.

Giot, P., & Laurent, S. (2004). Modelling daily Value-at-Risk using realized volatility and ARCH type models. Journal of Empirical Finance, 11(3), 379–398.

Jorion, P. (2000). Value at risk: the new benchmark for managing financial risk. NY: McGraw-Hill Professional.‏

Keshavarz-Haddad, G., & Zabol, M. A. (2020). Evaluation of the Value-at-Risk Estimation Methods with applying a Penalty for Risk Overestimation. Economics Research, 20(77), 1-28. [In Persian]

Krężołek, D. (2021). Estimation of Value-at-Risk using Weibull distribution – portfolio analysis on the precious metals market. Przegląd Statystyczny, 68(2), 38–52.

Kupiec, P. H. (1995). Techniques for Verifying the Accuracy of Risk Measurement Models. The Journal of Derivatives, 3(2), 73–84.

Kwon, J. H. (2021). On the factors of Bitcoin’s value at risk. Financial Innovation, 7(1), 1-31.

‌Lima, L. R., & Néri, B. P. (2007). Comparing Value-at-Risk Methodologies. Brazilian Review of Econometrics, 27(1), 1.

Manganelli, S., & Engle, R. F. (2001). Value at Risk Models in Finance. SSRN Electronic Journal.

Meharani, A., Najafi moghadam, A., & baghani, A. (2021). Estimation value at risk (VAR) and conditional value at risk (CoVaR) at Tehran Stock Exchange by approach to using Fréchet distribution (FD). Financial Engineering and Portfolio Management, 12(46), 449-475. [In Persian]

‌Mittnik, S., & Paolella, M. S. (2003). Prediction of Financial Downside-Risk with Heavy-Tailed Conditional Distributions. Handbook of Heavy Tailed Distributions in Finance, 385–404.

Nasir, M. A., & Du, M. (2018). Integration of Financial Markets in Post Global Financial Crises and Implications for British Financial Sector: Analysis Based on A Panel VAR Model. Journal of Quantitative Economics, 16(2), 363–388.

Owusu Junior, P., Tiwari, A. K., Tweneboah, G., & Asafo-Adjei, E. (2022). GAS and GARCH based value-at-risk modeling of precious metals. Resources Policy, 75, 102456.

Palaro, H. P., & Hotta, L. K. (2006). Using Conditional Copula to Estimate Value at Risk. Journal of Data Science, 4(1), 93–115.

Qarni, M. O., & Gulzar, S. (2021). Portfolio diversification benefits of alternative currency investment in Bitcoin and foreign exchange markets. Financial Innovation, 7(1).

Rahnamay Roodposhti, F., & Klantari Dehaghi, M. (2014). Investigation of Multifractaly Models in Finance. Financial Knowledge of Securities Analysis, 7(24), 25-47. [In Persian]

Shahzad, S. J. H., Arreola-Hernandez, J., Bekiros, S., Shahbaz, M., & Kayani, G. M. (2018). A systemic risk analysis of Islamic equity markets using vine copula and delta CoVaR modeling. Journal of International Financial Markets, Institutions and Money, 56, 104–127.

Spadafora, L., Sivero, F., & Picchiotti, N. (2018). Jumping VaR: Order Statistics Volatility Estimator for Jumps Classification and Market Risk Modeling. arXiv preprint arXiv:1803.07021.‏

Takaishi, T. (2018). Statistical properties and multifractality of Bitcoin. Physica A: Statistical Mechanics and Its Applications, 506, 507–519.

Talebi, R., Zanjirdar, M., & Pour Fakharan, M. (2021). Analysis and explanation of stock returns based on third and fourth order torques of non-systematic risk and the role of arbitrage constraints and investors' limited attention to it. Advances in Finance and Investment, 2(3), 97-130. [In Persian]

‌Tronzano, M. (2020). Safe-Haven Assets, Financial Crises, and Macroeconomic Variables: Evidence from the Last Two Decades (2000–2018). Journal of Risk and Financial Management, 13(3), 40.

Trück, S., & Liang, K. (2012). Modelling and Forecasting Volatility in the Gold Market. International Journal of Banking and Finance, 9(1), 48–80.

Wang, C., Zhang, X., Wang, M., Lim, M. K., & Ghadimi, P. (2019). Predictive analytics of the copper spot price by utilizing complex network and artificial neural network techniques. Resources Policy, 63, 101414.

‌Yoo, S., Keeley, A. R., & Managi, S. (2021). Does sustainability activities performance matter during financial crises? Investigating the case of COVID-19. Energy Policy, 155, 112330.

‌Zhang, Z., & Zhang, H.-K. (2016). The dynamics of precious metal markets VaR: A GARCHEVT approach. Journal of Commodity Markets, 4(1), 14–27.

Zomorodian, Gh,. Rostami, A,. Karimi Zand, M. (2014). Comparison of the ability to explain parametric (econometric) and neural network models in measuring the value at risk of the portfolio of investment companies to determine the optimal portfolio in the Iranian capital market. Financial Engineering and Portfolio Management, 5(21), 55-75. [In Persian]