| تعداد نشریات | 63 |
| تعداد شمارهها | 2,275 |
| تعداد مقالات | 18,768 |
| تعداد مشاهده مقاله | 58,820,589 |
| تعداد دریافت فایل اصل مقاله | 30,191,173 |
رتبهبندی مدلهای پارامتریک ارزش در معرض خطر با لحاظ کردن موقعیت معاملاتی سهامدار (کاربرد توابع توزیع نامتقارن در مدلهای خانواده GARCH) | ||
| پژوهشنامه اقتصادی | ||
| مقاله 6، دوره 17، شماره 66، مهر 1396، صفحه 151-178 اصل مقاله (954.73 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/joer.2017.8205 | ||
| نویسندگان | ||
| هادی حیدری* 1؛ غلامرضا کشاورز حداد2 | ||
| 1دانشجوی دکتری دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف | ||
| 2هیات 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 | ||
| ارزش در معرض خطر؛ موقعیت معاملاتی؛ مدلهای پارامتریک و رتبهبندی عملکرد مدلها | ||
| مراجع | ||
|
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.
| ||
|
آمار تعداد مشاهده مقاله: 914 تعداد دریافت فایل اصل مقاله: 1,510 |
||