نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف

2 هیات علمی گروه علوم افتصادی دانشگاه صنعتی شریف

چکیده

در این مقاله با استفاده از مدل­های خانواده GARCH به تخمین ارزش در معرض خطر دارایی­ها برای معامله­گران بازار سهام تهران در دو موقعیت خرید و فروش می­پردازیم. با توجه به رفتار نامتقارن بازدهی قیمت­ها در بازار سهام تهران (TEPIX) هنگام خرید یا فروش از توابع توزیع نرمال نامتقارن[1] و T-student نامتقارن[2] برای افزایش دقت مدل­های ارزش در معرض خطر دارایی­ها در دو حالت خرید یا فروش استفاده می­کنیم. با تعمیم سنجه­های تنبیهی شنر و دیگران[3] (2012) برای لحاظ کردن موقعیت فروش در ارزیابی عملکرد مدل­های پارامتریک نشان دادیم که مدل­های EGARCH و GJRGARCH با توابع توزیع نامتقارن دارای عملکرد بسیار دقیق­تری هستند. همچنین آزمون آماری توانایی پیش­بینی مکمل نشان می­دهد که با توجه به انتخاب مدل مبنا (GJRGARCH) سایر مدل­های پارامتریک در مقایسه با مدل مبنا دارای میانگین خطای برابر نیستند و استفاده از توابع توزیع­های نامتقارن در مدل­های EGARCH و GJRGARCH به شدت باعث ارتقاء رتبه آن‌ها شده است.



[1]- Skewed Student Distribution


[2]- Skewed Student Distribution


[3]- Sener et. al

کلیدواژه‌ها

Bollerslev, T. and H. Mikkelsen (1996), “Modeling and Pricing Long-Memory in Stock Market Volatility”, Journal of Econometrics, 73:151-84.
Mittnik, S., and M. S. Paolella (2003), ‘‘Prediction of Financial Downside-Risk with Heavy-Tailed Conditional Distributions’’, In S. T. Rachev (ed.), Handbook of Heavy Tailed Distributions in Finance. Amsterdam: North-Holland.
Berkowitz, J., and J. O’Brien (2002), “How Accurate are the Value-at-risk Models at Commercial Banks?”, Journal of Finance, 57, 1093–1111.
Diebold, F. X., and R.S. Mariano (1995), “Comparing Predictive Accuracy”, Journal of Business and Economic Statistics, 13, 253–265.
Engle, R. F., and S. Manganelli (2004), “CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles”, Journal of Business and Economic Statistics, 22, 367–381.
White, H. (2000), “A Reality Check for Data Snooping”, Econometrica, 68, 1097–1126.
Emrah Şener , Sayad Baronyana ana Levent Ali Mengütürk (2012), “Ranking the Predictive Performances of Value-at-risk Estimation Methods”, International Journal of Forecasting,28, 849-873.
Awartani, B. M. A., and V. Corradi (2005), “Predicting the Volatility of the S&P-500 Stock Index Via GARCH Models: The Role of Asymmetries”, International Journal of Forecasting, 21, 167–183.
Fuertes, A. M., Izzeldin, M., and E. Kalotychou (2009), “On Forecasting Daily Stock Volatility: The Role of Intraday Information and Market Conditions”, International Journal of Forecasting, 25, 259–281.
Giacomini, R., and H. White (2006), “Tests of Conditional Predictive Ability”, Econometrica, 74, 1545–1578.
Hansen, P. R. (2005), “A Test for Superior Predictive Ability”, Journal of Business and Economic Statistics, 23, 365–380.
Hung, J. C., Lee, M. C., and H.C. Liu (2008), “Estimation of Value-at-risk for Energy Commodities Via Fat-tailed GARCH Models”, Journal of Energy Economics, 30(3), 1173–1191.
Lopez, J. (1998), “Methods for Evaluating Value-at-risk Estimates”, Federal Reserve Bank of New York, Research Paper No. 9802.
Lopez, J., and F.X. Diebold  (1995), “Forecast Evaluation and Combination”, Federal Reserve Bank of New York. Research paper No. 9525.
Basel Committee on Banking Supervision (1996), “Amendment to the Capital Accord to Incorporate Market Risks”.
Glosten, L. R., R. Jagannathan, and D. E. Runkle, (1993), “On The Relation between The Expected Value and The Volatility of Nominal Excess Return on Stocks”, Journal of Finance, 48: 1779-1801.
Nelson, D. (1991), “Conditional Heteroscedasticity in Asset Returns: A New Approach”, Econometrica, 59, 347–370.
Pier Giot and Sebastian Laurent (2003), “Value at Risk for Long and Short Trading Position” Journal of Applied Econometrics, john wily & sons Ltd. Vol 18.