اندازه گيري ارزش در معرض ريسك شرطي پرتفوي با روش FIGARCH-EVT در بورس اوراق بهادار تهران

Measurement conditional value at risk based on FIGARCH-EVT method at Tehran stock Exchange

در حال حاضر دقت برآورد ريسك پرتفوي براي مديران سرمايه‌گذاري مسئله بسيار مهمي است انتخاب مدلي كه واريانس را وابسته به زمان محاسبه مي‌كندبه جاي اينكه واريانس را ثابت در نظر مي‌گيرد موجب مدل سازي بهتر داده ها در واقع هدف اين پژوهش پياده سازي يك روش تركيبي محاسبه ارزش در معرض ريسك شرطي ([i]CVaR)است كه تلاطم را در ويژگي خوشه‌اي مدل سازي كرده و مقدارCvaR را با در نظر گرفتن ويژگي دنباله پهني به طور دقيق محاسبه كند. به اين منظور مدلهايي از خانواده [ii]ARCH را در نظر گرفته شده است كه ويژگي خوشه‌اي بودن را در مدل لحاظ كرده ، علاوه برآن تئوري مقدار فرين (EVT[iii])را درنظر مي‌گيرد كه بر دنباله پهن داده‌ها تمركز دارد. داده‌هاي پژوهش مربوط به سال‌هاي 1380-1394 مي‌باشد و به صورت روزانه از نرم‌افزارهاي رهاورد‌نوين و TseCline استخراج شده است. تجزيه و تحليل داده‌ها با نرم‌افزارهاي (2015)MATLAB و(2013) EXCELانجام شد. يافته‌هاي پژوهش نشان داد كه استفاده از روش FIGARCH –EVT[iv] منجر به تخمين دقيق‌تري از CVaR نسبت به روش HS[v] مي‌شود. روش FIGARCH-EVT در مقايسه با روشGARCH-EVT دقت بيشتري دارد. و به طور كلي مدل‌‌هايي كه واريانس ناهمساني را در نظر مي‌گيرند نسبت به روش HS از دقت بالاتري برخوردارند.

An important factor in risk management is optimized conditional value at risk (CVaR) of the portfolio. Choose a model which calculates time depended to variance rather than the model with constant variance lead to improve data modeling. Using an appropriated method for measuring risk in financial asset returns distribution has a great utility. The main purpose of this study is implementing a hybrid procedure to calculate CVaR which, models, volatility and dynamics in clusters, and calculates CVaR value based on fat tail feature. In this case, using Extreme value theory (EVT) leads to calculate CVaR more precisely. In addition to, using some ARCH (autoregressive conditional heteroskedasticity) family models result to dynamic feature in estimating CVaR. Data were used in this study related to TEDPIX during 2001-2015. Total 2781 data were derived from Rahavard Novinand & TseCline softwares as daily. For analysis this TEDPIX data, MATLAB software and EXCELL were used. This result represented, return data distribution has fat tail. The historical simulation (HS) at 95% confidence level isn’t accurate, while the accuracy Generalized Auto-Regressive Conditional Heteroskedasticity-EVT (GARCH-EVT) model at 95% is more suitable. Using (Fractionally integrated generalized autoregressive conditional heteroskedasticity -EVT) FIGARCH-EVT method leads accurate estimates of CVaR in comparison with HS procedure. Calculating CVaR by FIGARCH-EVT-CVaR was more accurate than the GARCH-EVT-CVaR. This model has considered to both GARCH-EVT features and long memory property. The FIGARCH-EVT-CVaR model had acceptable accuracy and its exceptions are independent. In General, models which considered heteroscedastic, had an acceptable accuracy in comparing HS