رستمی, محمدرضا, سارنج, علیرضا, سواری, ضحی. (1396). رتبه‌بندی انواع روش‌های پارامتریک و ناپارامتریک در برآورد ریزش‌مورد انتظار و ارزش در معرض خطر. دانش سرمایه‌گذاری, 6(22), 113-130.
محمدرضا رستمی; علیرضا سارنج; ضحی سواری. "رتبه‌بندی انواع روش‌های پارامتریک و ناپارامتریک در برآورد ریزش‌مورد انتظار و ارزش در معرض خطر". دانش سرمایه‌گذاری, 6, 22, 1396, 113-130.
رستمی, محمدرضا, سارنج, علیرضا, سواری, ضحی. (1396). 'رتبه‌بندی انواع روش‌های پارامتریک و ناپارامتریک در برآورد ریزش‌مورد انتظار و ارزش در معرض خطر', دانش سرمایه‌گذاری, 6(22), pp. 113-130.
رستمی, محمدرضا, سارنج, علیرضا, سواری, ضحی. رتبه‌بندی انواع روش‌های پارامتریک و ناپارامتریک در برآورد ریزش‌مورد انتظار و ارزش در معرض خطر. دانش سرمایه‌گذاری, 1396; 6(22): 113-130.
رتبه‌بندی انواع روش‌های پارامتریک و ناپارامتریک در برآورد ریزش‌مورد انتظار و ارزش در معرض خطر
1استادیار مدیریت مالی دانشگاه الزهرا، تهران، ایران
2استادیار مدیریت مالی دانشگاه تهران، تهران، ایران
3دانشجوی کارشناسی ارشد مدیریت مالی، دانشگاه الزهرا، تهران، ایران (نویسنده مسئول)
چکیده
توسعه روزافزون بازارهای مالی و رویارویی با شرایط عدم اطمینان، اهمیت برآورد معیارهای اندازه‌گیری ریسک وتعیین مناسب ترین مدل پیش بینی ریسک را بیش‌ازپیش ضروری می‌سازد.در این مقاله سعی بر آن است، دقت پیش‌بینی مدل‌های مختلف شبیه‌سازی تاریخی در ارزیابی ارزش‌درمعرض‌ریسک و ریزش‌موردانتظار در مقایسه با روش پارامتریک گارچ با یکدیگر مقایسه شوند. مدل‌های مورداستفاده، شبیه‌سازی تاریخی، شبیه‌سازی تاریخی بازتابی، شبیه‌سازی تاریخی نوسانات وزن دارو شبیه‌سازی تاریخی فیلترشده و مدل پارامتریک گارچ (1 و 1) است. برای انجام تحقیق از داده‌های شاخص کل بورس اوراق‌بهادارتهران از سال 88 تا پایان سال 93 استفاده‌شده است. پس آزمایی ارزش در معرض خطر با استفاده از آزمون‌کریستوفرسون که از دو پس آزمایی برنولی و پس آزمایی استقلال تشکیل شده است و پس آزمایی ریزش‌موردانتظار با استفاده از آزمون مک نیل و فری، انجام‌شده است. درنهایت نتایج حاصل از رتبه‌بندی با تابع مجموعه فاصله اطمینان به ترتیب مدل‌های شبیه‌سازی نیمه پارامتریک، پارامتریک و ناپارامتریک اولویت‌بندی شدند.
1Assistant Professor of Finance Management, Alzahra University
2Assistant Professor of Finance Management, Tehran University
3Graduate Student of Financial Management, Alzahra University (Corresponding Author)
چکیده [English]
Financial market developments make it more important to measure market risks correctly. In this paper we investigatethe forecasting accuracy of different historical simulation models in relation to the risk measure expected shortfall and in comparison to established parametric models.we used historical simulation, mirrored historical simulatin,volatility weighted historical simulation,filtered historical simulation and GARCH(1,1) models.The data that we used consists of Tehran stock exchange market index from 2010 to 2014.Christofferson backtest used for value at risk and mc neil & frey backtest used for expected shortfall. According to unconditional coverage backtesting ,mirrored historical simulation model was rejected and others were accepted and according to independence backtesting all models were accepted thus the christoferson backtest will omit the mirrored historical simulation model and According to mc neil and frey backtest all models were accepted and finally the model confidence set procedure showed that semi parametric models are best models to forecast expected shortfall.
کلیدواژه‌ها [English]
christofferson test, value at risk, expectedshortfall, historical simulation and parametric models
مراجع
* رمضانی محبوبه، صادقی حجت‌الله. سنجش ریسک بازار نفت خام با استفاده از روش شبیه‌سازی تاریخی (مقایسه دو سنجه ارزش در معرض ریسک و ریزش‌موردانتظار). دومین اجلاس ملی حسابداری، مدیریت مالی و سرمایه‌گذاری 1392: 3-8.
* سجاد رسول، گرجی مهسا، برآورد ارزش در معرض خطر با استفاده از نمونه‌گیری بوت استرپ، فصلنامه علمی-پژوهشی مطالعات اقتصادی کاربردی در ایران/سال اول، شماره 1. 4- نظیفی نائینی مینو، فتاحی شهرام، صمدی سعید. مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از مدل انتقالی گارچ مارکف. فصلنامه تحقیقات مدل‌سازی اقتصادی. ۱۳۹۱; ۳ (۹): ۱۱۷-۱۴۱.
* وب‌سایت سازمان بورس و اوراق بهادار تهران.
* Acerbi, C. & Tasche, D. (2002). On the coherence of expected shortfall.Journal of Banking & Finance. 26 (7): 1487–1503.
* Angelidis, T. & A, Benos. (2008). Value-at-Risk for Greek stocks.Multinational Finance Journal. 12 (1/2): 67-105.
* Artzner, P. Delbaen, F. Eber, J.M. & Heath, D. (1999). Coherent measures of risk. Mathematical Finance. 9 (10): 203–228.
* Basel Committee on Banking Supervision. Fundamental review of the trading book: A revised market risk framework. Consultative Document, Bank for International Settlements. (2013)
* Barone-Adesi, G. & Giannopoulos, K.Non-parametric VaR techniques, Myths and realities. Economic Notes by Banca Monte dei Paschi di Siena Spa. (2001). 30: 167-181.
* Giannopoulos, K. & Tunaru, R. Coherent risk measures under filtered historical simulation. Journal of Banking & Finance. (2005). 29: 979-996
* Hansen. P, Lunde. A, & Nason J. The model confidence set.
* Econometrica. (2011). 79(2): 453-497.
* Kellner. R, Rosch."Quantifying market risk with VAR or ES? Journal of Economic Dynamics and Control. (2015):55-68.
* Noer Olsen, N. The application of historical simulationin in expected shortfall prediction. School of Business and Social Science, Aarhus university. (2015):9-39.
* Zikovic. S, & Filer. R. (2012). Ranking of Var and ES models: Performance in developed and emerging markets.CESifo Working Paper Series No. 3980: 46-59
ابتدای صفحه