نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران

2 دانشجوی دکتری علوم اقتصادی، دانشگاه سمنان، سمنان، ایران،

چکیده

در سالها‌ی اخیر نوسانات طلا بیش از پیش افزایش یافته که منجر شده سرمایهگذاران در این حوزه به دنبال دقیقترین معیار اندازه گیری تلاطم طلا به منظور اتخاذ تصمیمات مناسب باشند. یکی از معیارهای برآورد تلاطم داراییهای مالی، ارزش در معرض ریسک بوده که بیانگر حداکثر زیان مورد انتظار در دوره زمانی مشخص و سطح اطمینان معین است. مزیت این روش نسبت به سایر سنجههای ریسک این است که برمبنای ارزش پورتفو محاسبه شده و بنابراین قابل درک است. ارزش در معرض ریسک با روشهای متفاوتی قابل اندازه گیری است که در این مقاله به دنبال یافتن دقیقترین روش پارامتریک برای برآورد ارزش در معرض ریسک طلا با استفاده از روش نظریه ارزش‌ فرین و مدل پارامتریک با فرض توزیع نرمال و توزیع تی‌استیودنت و ترکیب آن با مدلهای واریانس شرطی GARCH(1,1)، TGARCH، EGARCH، PGARCH، FIGARCH و FIEGARCH هستیم. ارزش در معرض ریسک برای موقعیت فروش و خرید طلا با این روشها محاسبه و برای بررسی کفایت و دقت روش‌های محاسبه شده از پس‌آزمایی دو مرحله‌ای استفاده میشود. همچنین در این پژوهش از تابع زیان جدیدی برای رتبه‌بندی مدلها استفاده شده است. بدین منظور از دادههای روزانه بازده لگاریتمی طلا طی سالهای 1980 تا 2016 استفاده شد. یافتهها نشان میدهد دقیق‌ترین روش با استفاده از تابع زیان اشاره شده با فرض توزیع تی‌استیودنت برای بازده طلا به‌دست میآید. این روش از ترکیب توزیع تیاستیودنت با مدل PGARCH بهترین عملکرد را برای موقعیت خرید و عملکرد قابل قبولی برای موقعیت فروش دارد.

کلیدواژه‌ها

فلاح‌پور، سعید، فاطمه رضوانی و محمدرضا رحیمی (1394)، «برآورد ارزش در معرض ریسک شرطی با استفاده از مدل‌های ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت»، فصلنامه علمی-پژوهشی دانش مالی تحلیل اوراق بهادار، سال هشتم، شماره 28، صص 18-1.
فلاح‌پور، سعید و احسان احمدی (1393)، «تخمین ارزش در معرض ریسک پرتفوی نفت و طلا با بهره‎مندی از روش کاپیولا‌ـ گارچ»، تحقیقات مالی، دوره 16، شماره 2، صص 326-309. 
کشاورز، غلامرضا و کبری مفتخر دریایی (1397)، «تاثیر سرایت بازده و تلاطم در برآورد ارزش در معرض ریسک سبد دارایی، متشکل از طلا، ارز و سهام»، تحقیقات اقتصادی، دوره 53، شماره 1، صص 152-117.
Abad, P., & Benito, S. (2013). A detailed comparison of value at risk estimates. Mathematics and Computers in Simulation, 94, 258-276.
Baillie, R. T., Bollerslev, T., & Mikkelsen, H. O. (1996), “Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics, 74, 3-30.
Baker, S. A., & Van-Tassel, R. C. (1985), “Forecasting the Price of Gold: A Fundamental Approach”, Journal of Atlantic Economics, 13, 43-52.
Bollerslev, T. (1986), “Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics, 31, 307-327.
Bollerslev, T., & Mikkelsen, H. O. (1996), “Modeling and Pricing Long Memory in Stock Market Volatility”, Journal of Econometrics, 73, 151-184.
Christie-David, R. M. (2000), “Do Macroeconomic News Releases Affect Gold and Silver prices”, Journal of Economic Business, 405-421.
Christoffersen, P. (1998), “Evaluating Interval Forecasting”, International Economic Review, 39, 841-862.
Egan, P. a. (2001), “The Performance of Defensive Investments”, Journal of Alternative Investments, 4, 49-56.
Engle, R. F. (1982), “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation”, Econometrica, 50 (4), 987-1007.
Fisher, R. A. (1928), “Limiting Forms of the Frequency Distribution of the Largest or Smallest Member of a Sample”, Proceedings of the Cambridge Philosophical Society 24, 180-190.
Genton, & Marchenko. (2010), “A Suite of Commands for Fitting the Skew-Normal and Skew-T Models”, The Stata Journal, 10, 507–539.
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993), “On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks”, Journal of Finance, 48 (5), 1779-1801.
Kaufmann, T., & Winters, R. (1989), “The Price of Gold: A Simple Model”, Resource Policy, 19, 309-318.
Kupiec, P. (1995), “Techniques for Verifying the Accuracy of Risk Measurement Models”, Journal of Derivatives, 2, 73-84.
Lawrence, C. (2003), Why is Gold Different from Other Assets? An Empirical Investigation. World Gold Council.
McNeil, A. J. (1999), “Extreme Value Theory for Risk Managers,” Internal Modeling and CAD II, 93-113.
McNeil, A. J. (2005), Quantitative risk management: Concepts, techniques and tools. Princeton: Princeton University Press.
Nelson, D. B. (1991), “Conditional Heteroskedasticity in Asset Returns: A Nee Approach”, Econometrica, 59 (2), 347-370.
Rozga, A., & Arnerić, J. (2009), “Dependence Between Volatility Persistence, Kurtosis and Degrees of Freedom”, Revista Investigacion Operaconal, vol 30, 32-39.
Şener, E., Baronyan, S., & Mengütürk, L. A. (2012), “Ranking the Predictive Performances of Value-at-risk Estimation Methods”, International Journal of Forecasting, 28, 849-873.
Sherman, E. J. (1983), “A Gold Pricing Model”, Journal of Portfolio Management, 9(3), 60-70.
Smith, R. L. (1987), “Estimating Tails of Probability Distributions”, Annals of Statistics, 15, 1174-1207.
Trück, S., & Liang, K. (2012), “Modelling and Forecasting Volatility in the Gold Market”, International Journal of Banking and Finance, 9, 48-80.
Tully, E., & Lucey, B. M. (2007), “A Power GARCH Examination of the Gold Market”, Research in International Business and Finance, 21(2), 316-325.
Zivot, E., & Wang, J. (2010), Modeling Financial Time Series with S-plus, New York, NY: Springer.