محاسبه ارزش در معرض ريسك دنباله با استفاده از مدل EGARCH-Extreme Learning Machine و رويكرد صنعت بيمه

Calculating Tail Value at Risk Using a EGARCH-Extreme Learning Machine Model an‎d The long-term forecast approach in the insurance industry

يكي از مهم‌ترين روش‌هاي سنجش ريسك بازار استفاده از روش ارزش در معرض ريسك مي‌باشد كه نهادهاي مالي نظير بانك‌ها، بيمه‌ها و صندوق‌هاي سرمايه‌گذاري به طور گسترده‌اي از آن‌ها استفاده مي‌نمايند. با مطرح شدن انتقادات معيار ارزش در معرض ريسك كه در راس آن‌ها عدم تامين ويژگي زير جمع‌پذيري است؛ تحقيقات به بررسي سنجه ارزش در معرض ريسك دنباله معطوف گرديد و اين سنجه در كميته بازل در بانكداري و سيستم‌هاي توانگري ماليII اروپا و توانگري مالي سوئيس در صنعت بيمه مورد استفاده قرار گرفت؛ لذا در اين پژوهش از اين معيار جهت سنجش ريسك بازار سهام استفاده خواهد شد. با توجه به اينكه افق زماني ريسك‌هاي يك بيمه‌گر بر خلاف بانك‌ها سالانه مي‌باشد؛ لذا براي محاسبه ارزش در معرض ريسك دنباله از دو متد رويكرد واريانس-كوواريانس با بكارگيري مدل گارچ نمايي-ماشين فوق يادگيري براي پيش‌بيني نوسانات و استفاده از قاعده جذر زمان؛ و مدل شبيه‌سازي تاريخي با داده‌هاي فيلتر شده استفاده شده است. نتايج با استفاده‌ از بازده‌هاي روزانه شاخص كل بورس اوراق بهادار تهران براي سال‌هاي 1388 تا 1396 حاكي از دقت بيشتر مدل گارچ نمايي-ماشين فوق يادگيري و بكارگيري قاعده جذر زمان مي‌باشد.

One of the most important methods for market risk measurement is Value-at-risk (VaR) that financial institutions such as banks, insurers and investment funds use them extensively. VaR as a risk measure is heavily criticized for not being sub-additive, thus the researchers focuses on the assessment of the Tail value-at-risk (TVaR), and this measure is using on the Basel Committee on Banking and Solvency II of Europe and Swiss Solvency Test (SST). this paper focuses on TVaR to measure the risk of the stock market. Considering that the time horizon of the risks of an insurer unlike banks is annually. thus, to calculate the TVaR, we use of the two methods of the variance-covariance approach with the EGARCH-Extreme learning Machine model to volatility forecasting and use of square-root-of-time rule; and Filtered Historical simulation model. The results of using the daily returns of the Tehran Stock Exchange Index for 1388 to 1396 confirm that the EGARCH-Extreme learning Machine model with use of square-root-of-time rule performs better in TVaR calculation in terms of efficiency and accuracy.