محاسبۀ فاصلۀ اطمینان و ارزیابی دقت ارزش در معرض خطر محاسبه‎شده با مدل مارکف سوئیچینگ گارچ در بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار مهندسی مالی، دانشکدۀ فنی و مهندسی دانشگاه علم و فرهنگ، تهران، ایران

2 کارشناس ارشد مهندسی مالی، دانشکدۀ فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران

چکیده

ارزش در معرض خطر از جمله محبوب‌ترین سنجه‌های ریسک است که با توجه به وابستگی مقدار آن به نوسانات بازدهی و عدم ­قطعیت مدل‎های پیش­بینی نوسانات و خطای موجود در تخمین پارامترهای آن، ممکن است که تخمین این معیار از ریسک، همواره در معرض خطا قرار داشته باشد. این در حالی است که گستردگی استفاده از این معیار، موجب شده صحت برآورد و تخمین آن همواره یکی از دغدغه‌های اصلی سرمایه‌گذاران باشد. از این رو با توجه به اهمیت این موضوع، مطالعۀ حاضر به مقایسۀ دقت مدل‌های‌ مارکف سوئیچینگ گارچ و گارچ در محاسبۀ ارزش در معرض خطر شاخص کل بورس اوراق بهادار تهران، با ساختن فاصلۀ اطمینان بوت استرپی برای ارزش در معرض خطر، می‌پردازد و تأثیر امکان چرخش یا انتقال بین دو رژیم کم نوسان و پرنوسان را بر دقت تخمین ارزش در معرض خطر مورد آزمون قرار می‌دهد. نتایج نشان می‌دهد مدل مارکف سوئیچینگ گارچ به تخمین ارزش در معرض خطر محتاطانه‌تری نسبت به مدل گارچ در بورس تهران منجر می‎شود و برای سرمایه‎گذاران ریسک گریز مناسب‌تر است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Confidence interval Calculation & Evaluating Markov regime switching Precision for Value-at-Risk Estimation: A Case Study on Tehran Stock Exchange Index (TEDPIX)

نویسندگان [English]

  • Rasoul Sajjad 1
  • Roya Taherifar 2
1 Assistant Prof., Faculty of Engineering, University of Science and Culture, Tehran, Iran
2 MSc. in Financial Engineering, Faculty of Engineering, University of Science and Culture, Tehran, Iran
چکیده [English]

Value at risk is one of the most common risk measures which, considering its dependency on volatility return, uncertainty of volatility prediction models and existing bias in parameter prediction, is subject to bias. Also the broad usage of this measure has caused anxiety for investors about the estimation accuracy. So, according to the importance of this issue, this study compares precision of Markov Regime Switching GARCH and GARCH in VaR estimation of Tehran Stock Exchange index (TEDPIX) with constructing Bootstrap confidence interval and measures the possibility of rotation and movement of both high and low volatile regime on precision of value at risk estimation. The results show that Markov Regime Switching GARCH lead to more conservative value at risk estimation than GARCH model and it is more suitable for risk aversion investors.

کلیدواژه‌ها [English]

  • Bootstrap
  • GARCH Model
  • Markov regime switching GARCH model
  • Risk Management
  • Value-at-risk
Abad, P., Benito, S. & López, C. (2014). A comprehensive review of Value at Risk methodologies. The Spanish Review of Financial Economics12(1), 15-32.
Alexander, C. & Lazar, E. (2006). Normal mixture GARCH (1, 1): Applications to exchange rate modelling. Journal of Applied Econometrics, 21(3), 307-336.
Ardia, D. (2009). Bayesian estimation of a Markov‐switching threshold asymmetric GARCH model with Student‐t innovations. The Econometrics Journal12(1), 105-126.
Barone‐Adesi, G. & Giannopoulos, K. (2001). Non parametric var techniques. myths and realities. Economic Notes30(2), 167-181.
Bauwens, L., & Storti, G. (2009). A component GARCH model with time varying weights. Studies in Nonlinear Dynamics & Econometrics, 13(2).
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
Cao, R., Febrerobande, M., González-Manteiga, W., Prada-Sánchez, J. M. & Garcfa-Jurado, I. (1997). Saving computer time in constructing consistent bootstrap prediction intervals for autoregressive process. Communications in Statistics-Simulation and Computation26(3), 961-978.
Chappell, D. & Dowd, K. (1999). Confidence intervals for VaR. Financial Engineering News, 9, 1-2.
Christoffersen, P. & Gonçalves, S. (2004). Estimation risk in financial risk management. CIRANO.
Christoffersen, P. F. (1998). Evaluating interval forecasts. International economic review, 39(4), 841-862.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica. Journal of the Econometric Society, 987-1007.
Gray, S. F. (1996). Modeling the conditional distribution of interest rates as a regime-switching process. Journal of Financial Economics, 42(1), 27-62.
Haas, M., Mittnik, S., & Paolella, M. S. (2004). A new approach to Markov-switching GARCH models. Journal of Financial Econometrics, 2(4), 493-530.
Hamilton, J. D., Susmel, R. (1994). Autoregressive Conditional Heteroskedasticity and changes in regimes. Journal of Econometrics, 64(1-2), 307-333.
Jorion, P. (1996). Risk2: Measuring the risk in value at risk. Financial Analysts Journal52(6), 47-56.