برآورد ارزش در معرض خطر چنددوره‌ای بر پایة روش‌های شبیه‌‌سازی و پارامتریک

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی مالی، دانشگاه رجا، قزوین، ایران

2 استادیار مهندسی مالی، دانشگاه علم و فرهنگ، تهران، ایران

چکیده

با توجه به تاکید کمیته بال بر لزوم استفاده از مدل‌‌‌های داخلی ارزش در معرض خطر (VaR) ده‌روزه، به-منظور مشخص‌کردن حداقل سرمایه پشتیبان ریسک بازار و کاستی‌های قاعده جذر زمان، در این پژوهش هدف ارائه برآوردهای دقیق‌تر از VaR چند دوره‌ای با استفاده از شانزده روش، برای شاخص کل بورس اوراق بهادار تهران (TEPIX)، NASDAQ و FTSE می باشد. نتایج بر‌اساس مجموع معیارهای تابع زیان و کارایی نشان می‌دهد، مدل شبیه‌سازی تاریخی بوت استرپ شده (BHS) از بهترین عملکرد برای شاخص TEPIX برخوردار است. همچنین، در سطح اطمینان 95 درصد مدل پارامتریک EGARCH با توزیع تی-استیودنت و در سطوح اطمینان 99 و 99.5 درصد مدل EGARCH با توزیع نرمال از عملکرد مطلوب‌تری نسبت به سایر مدل‌ها در برآورد VaR پنج‌روزه برای شاخص‌های NASDAQ و FTSE برخوردار می‌باشند. به‌علاوه، یافته‌های ما نشان‌دهنده آن است که بهترین مدل از لحاظ آزمون پوشش شرطی لزوماً اقتصادی‌ترین مدل در برآورد VaR پنج-روزه نمی‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of multi-period VaR based on the simulation and parametric methods

نویسندگان [English]

  • Mahsa Gorji 1
  • Rasoul Sajjad 2
1
2
چکیده [English]

Abstract: With regard to the Basel Committee’s emphasis on the necessity of using 10-day Value-at-Risk (VaR) internal models in order to determine minimum market risk capital requirements, and downsides of the square-root-of-time rule, our purpose is to produce more accurate forecasts of the multi-period VaR using sixteen models for three stock indices, the TEPIX, NASDAQ, and FTSE. The results, based on the sum of the loss function and efficiency criteria indicate that the bootstrapped historical simulation (BHS) model performs the best for the TEPIX. Also, at the 95% confidence level the parametric EGARCH model with the Student’s t innovation and at the 99% and 99.5% confidence levels the EGARCH model with the normal innovation clearly outperform other models in estimating the 5-day VaR for both the NASDAQ and FTSE indices. In addition, our findings indicate that the best model based on the conditional coverage test is not necessarily the most economical model in estimating the 5-day VaR.

کلیدواژه‌ها [English]

  • Basel Committee
  • bootstrapped historical simulation model
  • conditional coverage test
  • multi-period VaR
Alexander, C. (2008). Market risk analysis Value-at-Risk models. England: John Wiley & Sons, Ltd.
Angelidis, T., Benos, A. & Degiannakis, S. (2004). The use of GARCH models in VaR estimation, Statistical Methodology, 1(2): 105- 128.
Barone-Adesi, G. & Giannopoulos, K. (2000). Non-parametric VaR techniques. Myths and realities. Mimeo, Universita della Svizzera Italiana and City University Business School and Westminster Business School, November 2000: 18.
Barone-Adesi, G., Giannopoulos, K. & Vosper, L. (1999). VaR without correlations for non-linear portfolios. Journal of Futures Markets, 19(5): 583 - 602.
Basle Committee on Banking Supervision. (1995). An internal model-based approach to market risk capital requirements. Available in: http://www. bis.org.
Basle Committee on Banking Supervision. (1996). Overview of the amendment to the capital accord to incorporate market risks, http://www.bis.org.
Black, F. (1976). Studies of stock price volatility changes, In proceedings of the 1976 meetings of the business and economics statistics section, American Statistical Association: 177- 181.
Blake, D., Cairns, A. & Dowd, K. (2000). Extrapolating VaR by the square-root rule, Financial Engineering News, 01/2000; 17.
Chrétien, S. & Coggins, F. (2010). Performance and conservatism of monthly FHS VaR: An international investigation, Int. Review of Financial Analysis, 19(5): 323– 333.
Christoffersen, P. F. (1998). Evaluating interval forecasts, International Economic Review, 39(4): 841- 861.
Christoffersen, P. F., Diebold, F. X. & Schuermann, T. (1998). Horizon problems and extreme events in financial risk management, Economic Policy Review, 4(9): 109- 118.
Dowd, K. (2005). Measuring Market Risk, 2nd edition, New York, Wiley.
Efron‚ B. & Tibshirani‚ R. (1993). An introduction to the bootstrap. New York: Chapman & Hall.
Fallahpour, S. & Ahmadi, E. (2014). Estimating value at risk of portfolio of oil and gold by Copula-GARCH method, Retrieved from https:// www.jfr.ut.ac.ir/article_50711_0.html. (in Persian)
Ghysels, E., Rubia, A. & Valkanov, R. (2009). Multi-period forecast of volatility: Direct, iterated and mixed-data approaches, EFA 2009 Bergen Meetings Paper.
Henderson, A. R. (2005). The bootstrap: A technique for data-driven statistics, Using computer-intensive analyses to explore experimental data, Clinica Chimica Acta, 359(1- 2): 1- 26.
Hull, J. & White, A. (1998). Incorporating volatility updating into the historical simulation method for value-at-risk, Journal of Risk, 1(1): 5-19.
Jorion, P. (2003). Financial risk manager handbook. 2nd edition, John Wiley & Sons Inc.
Mohammdi, S., Raei, R. & Feyzabad, A. (2008). Forecasting value-at-risk using conditional volatility models: Evidence from Tehran stock exchange. Journal of Financial Research, 9(4): 109-124. (in Persian)
Nelson, D.B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2): 347– 370.
Resti‚ A. & Sironi‚ A. (2007). Risk management and shareholders value in banking from risk measurement models to capital allocation policies. John Wiley & Sons‚ Ltd.
Rostami Noroozabad, M., Shojaei, A., Khezri, M. & Rahmani Noorozabad, S. (2015). Estimate value at risk return Tehran stock exchange using wavelet analysis, Journal of Financial Research, 17(1): 59- 82. (in Persian)
Rostami, M. & Haqiqi, F. (2013). Using MGARCH to estimate value at risk. Journal of Financial Research, 15(2): 215- 228. (in Persian)
Skoglund, J., Erdman, D. & Chen, C. (2011). On the time scaling of value-at-risk with trading. Journal of Risk Model Validation, 5(4): 17- 26.
Taylor, J. W. (1999). A quintile regression approach to estimating the distribution of multiperiod returns. Journal of Derivatives, 7(1): 64- 78.