ارائه چارچوبي جهت سنجش و پيش‌بيني ريسك سيستمي با رويكرد ريزش مورد انتظار نهايي (MES) در بازار سرمايه ايران

A Framework for Measuring and Predicting Systemic Risk with the Marginal Expected Shortfall Approach (MES) in Iran Capital Market

در اين پژوهش تلاش مي‌گردد كه با استفاده از رويكرد ريزش مورد انتظار نهايي كه به‌تازگي در ادبيات ريسك سيستمي موردتوجه قرارگرفته است چارچوبي جهت سنجش و پيش‌بيني ريسك سيستمي در بازار سرمايه ايران ارائه گردد. بر اين اساس، ريزش مورد انتظار نهايي به‌عنوان سنجه ريسك سيستمي با در نظر گرفتن مفروضاتي براي بازده بازار و بنگاه اقتصادي، به‌صورت تابعي از ميانگين، نوسانات، همبستگي و اميد رياضي‌هاي دنباله، تجزيه خواهد شد و اجزاء آن با استفاده از يك چارچوب ARMA‑GJR-GARCH-DCC و يك برآورد كننده ناپارامتري دنباله سنجيده مي‌شود. بدين ترتيب، يك پانل هفتگي از ريزش مورد انتظار نهايي شركت‌ها ايجاد مي‌گردد. از طرف ديگر، ريسك سيستمي در دوره‌اي كه به نظر آرام مي‌رسد و نوسانات پايين است ساخته شده و تا زمان فعال شدن انباشته مي‌شود؛ به عبارت ديگر، در زمان كاهش نوسانات، پتانسيل ريسك سيستمي افزايش مي‌يابد. لذا در اين پژوهش، با بهره‌برداري از ساختار پانلي داده‌ها و ارتباط ريزش مورد انتظار نهايي با مقادير متغيرهاي خاص شركت كه امكان دسترسي به آن‌ها در فواصل زماني مشخص وجود دارد مدلي براي پيش‌بيني ريسك سيستمي طراحي مي‌گردد.

In this research, it is attempted to present a framework for estimating and predicting systemic risk in Iran capital market using the marginal expected shortfall approach (MES), which has recently been considered in systemic risk literature. On this basis, MES as a systemic risk measure, will be analyzed in terms of assumptions for market and firm returns as a function of mean, volatility, correlation, and tail expectations and its components will be measured using an ARMA-GJR-GARCH-DCC framework and a nonparametric tail expectation estimator. In this way, a weekly panel will be created from the company's MES. On the other hand, the systemic risk is built up in a period that looks calm and low fluctuations, and is accumulated until activation. In other words, systemic risk potential increases as fluctuations decrease. In this study, it was attempted to predict systemic risk by taking advantage of the panel structure of the data and the relationship between MES and firm-specific variables that are available in certain sections.