ارزيابي ريسك مالي مبتني بر رويكرد ارزش فرين و داده هاي پربسامد لحظه اي شاخص كل بورس اوراق بهادار تهران

Financial risk assessment based on Extreme Value Theory and instantaneous data of Tehran Stock Exchange Index

ارزش در معرض خطر يكي از مهمترين معيارهاي شناخته شده بازارهاي مالي در سنجش ريسك به حساب مي­آيد. تاكنون روشهاي مختلفي براي اندازه گيري اين شاخص معرفي گرديده است. روش ارزش فرين يكي از روشهاي نوين محاسبه ارزش در معرض خطر است كه بر دنباله­هاي توزيع تمركز دارد و بجاي درنظر گرفتن كل داده ها و بدون نياز به در نظر گرفتن مفروضات محدود كننده­اي مانند فرض نرمال بودن به محاسبه اين شاخص مي پردازد. در اين پژوهش بازده لگاريتمي شاخص كل بورس اوراق بهادار تهران براساس اطلاعات دريافتي در مقاطع زماني ميان روز( بدليل استفاده از داده هاي پربسامد ) طي سالهاي 1392 تا 1395 جمع­ آوري و از رويكرد ماكزيمم بلوكها در اندازه­ گيري VaR استفاده گرديد. با توجه به وجود خودهمبستگي و ناهمساني واريانس سري زماني داده ها، ابتدا با استفاده از مدل E-GARCH اين مشكل مرتفع گرديد. سپس شاخص VaR در سه وضعيت بلوك­بندي براساس اطلاعات ساعتي، روزانه و ماهيانه محاسبه گرديد. نتايج تحليل داده ها در نرم افزار R نشان داد كه استفاده از اطلاعات ماهيانه در محاسبه شاخص مزبور از دقت پيش بيني بالاتري برخوردار است.

Value at Risk is one of the most important criteria in financial markets for risk assessment. Various methods have been proposed for measuring this index. Extreme Value Theory is one of the new methods for calculating the value at risk that focuses on Distribution sequence of series, and instead of taking all data into account without considering the limiting assumptions such as the assumption of normalization. In this research, the logarithmic return of Tehran Stock Exchange index based on the data received during the time intervals of the day (due to the use of high frequency data) during the years 1392 to 1395 was summed up and the Block Maxima Approach was used in VaR measurement. Given the correlation between the variance and the time series of the data, the problem was first solved using the E-GARCH model. Then VaR index was calculated in three blocking conditions based on hourly, daily and monthly data. The results showed that the use of monthly data in calculating this index has a higher predictive accuracy.