برآورد معیارهای ریسک دنباله در بورس اوراق بهادار تهران با استفاده از رویکرد رتبه‌بندی اتورگرسیو تعمیم‌یافته چندمقیاسی (DMS-GAS)
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
سیدعلی موسوی سرحدی
1
(دانشجوی دکتری مدیریت مالی، واحد قم، دانشگاه آزاداسلامی، قم، ایران. )
حسین ایزدی
2
(استادیار گروه مدیریت و حسابداری، واحد اسلامشهر، دانشگاه آزاداسلامی اسلامشهر، ایران.)
مژگان صفا
3
(گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران(نویسنده مسئول))
محمد رضا پور فخاران
4
(استادیار گروه حسابداری، واحد قم، دانشگاه آزاداسلامی، قم، ایران)
کلید واژه: معیارهای ریسک دنباله, بورس اوراق بهادار تهران, رویکرد رتبه‌بندی اتورگرسیو تعمیم-یافته (GAS), افق‌های زمانی, الگوریتم تبدیل موجک گسسته حداکثر همپوشانی (MODWT),
چکیده مقاله :
هدف اصلی تحقیق حاضر، بررسی معیارهای ریسک دنباله (VaR و ES) در بورس اوراق بهادار تهران با استفاده از از رویکرد پویای رتبه¬بندی اتورگرسیو تعمیم¬یافته چندمقیاسی (DMS-GAS) می¬باشد. در این راستا، ابتدا با استفاده از داده¬های روزانه شاخص کل بورس اوراق بهادار تهران در دوره زمانی 06/01/1390 – 28/12/1400 و الگوریتم تبدیل موجک گسسته حداکثر همپوشانی (MODWT) مولفه¬های اطلاعاتی کوتاه¬مدت، میان¬مدت و بلندمدت سری زمانی بازده استخراج می¬شود. در ادامه با استفاده از رویکرد مدل¬های رتبه¬بندی اتورگرسیو تعمیم¬یافته (GAS) معیارهای ریسک دنباله در افق-های زمانی مختلف به صورت پویا برآورد شده و در نهایت با استفاده از تبدیل موجک معکوس نتایج نهایی برآورد معیارهای ریسک بر اساس مدل پیشنهادی (DMS-GAS-1F) ارایه می¬گردد. نتایج آزمون¬های پس¬آزمایی نشان می¬دهد که مدل¬ پیشنهادی در پیش¬بینی برون نمونه¬ای معیارهای ریسک دنباله نسبت به مدل¬های رقیب و سنتی در این حوزه از جمله مدل¬های گارچ و مدل¬های پنجره غلتان عملکرد بهتری داشته¬است. علاوه بر این، نتایج نشان می¬دهد که استفاده از الگوریتم تبدیل موجک گسسته حداکثر همپوشانی (MODWT) به منظور استخراج مولفه¬های اطلاعاتی در افق های زمانی مختلف، کارایی پیش¬بینی برون نمونه¬ای مدل را افزایش داده است.
The main purpose of this study is to investigate the tail risk measures (VaR and ES) in Tehran Stock Exchange using the dynamic multi-scale generalized autoregressive ranking approach (DMS- GAS-1F). In this regard, using the daily data of the total index of Tehran Stock Exchange in the period 2011/03/26 - 2022/03/19 and the maximal overlap discrete wavelet transform (MODWT)algorithm, the short-run, medium-run and Long-run components of time series returns are extracted. Then, using the approach of generalized autoregressive ranking models (GAS), the tail risk measures at different time horizons are dynamically estimated and finally using the inverted wavelet transform, the final results of estimating the risk criteria based on the proposed model (DMS- GAS-1F) is provided. The results of backtests show that the proposed model has performed better in out-of-sample forecasting of tail risk measures than competing and traditional models in this field, including GARCH models and rolling window models. In addition, the results show that the use of the Maximum Overlap Discrete Wavelet Transform (MODWT) algorithm to extract information components at different time horizons has increased the predictive efficiency of the model.