دوره 12، شماره 44 - ( 4-1400 )
سال12 شماره 44 صفحات 212-191 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khodam M, Nosratian Nasab M, Jafari Samimi A. Expected Shortfall in Tehran Stock Exchange (Dynamic Semi-Parametric Approach). jemr 2021; 12 (44) :191-212
URL: http://jemr.khu.ac.ir/article-1-2089-fa.html
URL: http://jemr.khu.ac.ir/article-1-2089-fa.html
خدام مجتبی، نصرتیان نسب محسن، جعفری صمیمی احمد. ریزش مورد انتظار در بورس اوراق بهادار تهران ( رویکرد نیمه پارامتریک پویا). تحقیقات مدلسازی اقتصادی. 1400; 12 (44) :191-212
مجتبی خدام1 
، محسن نصرتیان نسب2 ، احمد جعفری صمیمی* 3
، محسن نصرتیان نسب2 ، احمد جعفری صمیمی* 3
1- دانشگاه آزاد اسلامی خمین
2- دانشگاه مازندران
3- دانشگاه مازندران ،jafarisa@umz.ac.ir
2- دانشگاه مازندران
3- دانشگاه مازندران ،
چکیده: (2700 مشاهده)
با توجه به چالش¬های موجود در ارتباط با برآورد و پیش¬بینی معیار ریزش مورد انتظار (ES) به صورت پویا و با رویکرد نیمه پارامتریک، در این پژوهش، با ارائه چارچوب کلی، به معرفی و ارزیابی عملکرد مدل¬های نیمه پارامتریک پویا درپیش¬بینی معیار ریزش مورد انتظار (ES) در بورس اوراق بهادار تهران پرداخته می¬شود. در این راستا داده¬های دوره زمانی 14/09/1387-05/06/1399 مورد استفاده قرار می¬گیرند و با استفاده از رویکرد رتبه¬بندی اتورگرسیو تعمیم¬یافته (GAS)، مدل¬های پویای و نیمه پارامتریک GAS-2F، GAS-1F، GARCH-FZ وhybrid GAS/GARCH به منظور برآورد معیار ریزش مورد انتظار (ES) معرفی و در پیش¬بینی این معیار در بورس اوراق بهادار تهران مورد ارزیابی قرار می¬گیرند. در ادامه، کارایی این مدل¬ها با مدل¬های سنتی در این حوزه از جمله مدل¬های گارچ و مدل¬های پنجره غلتان بر اساس آزمون¬های پس آزمایی مقایسه می¬شوند. نتایج این مطالعه حاکی از عملکرد بهتر مدل¬های نیمه پارامتریک پویا در پیش¬بینی برون نمونه¬ای معیار ریزش مورد انتظار (ES) نسبت به مدل¬های رقیب است علاوه بر این مدل GAS-1F در پیش¬بینی برون نمونه¬ای بهترین عملکرد را در بین مدل¬های پویا نشان داده¬است.
واژه‌های کلیدی: ریزش مورد انتظار، مدل امتیازدهی اتورگرسیو تعمیم یافته (GAS)، بورس اوراق بهادار تهران
نوع مطالعه: كاربردي |
موضوع مقاله:
پولی و مالی
دریافت: 1399/12/10 | پذیرش: 1400/9/2 | انتشار: 1400/11/5
دریافت: 1399/12/10 | پذیرش: 1400/9/2 | انتشار: 1400/11/5
فهرست منابع
1. Adabi firouzjaee B, Mehrara M, Mohammadi S. (2016). Estimation and Evaluation of Tehran Stock Exchange Value at Risk Based on Window Simulation Method. Journal of Economic Modeling Research. 6 (23), 35-73. (in Persian) [DOI:10.18869/acadpub.jemr.6.23.35]
2. Andersen, T.G., Bollerslev, T., Christo¤ersen, P., Diebold, F.X. (2006). Volatility and Correlation Forecasting, in (ed.s) G. Elliott, C.W.J. Granger, and A. Timmermann, Handbook of Economic Forecasting, Vol. 1. Elsevier, Oxford. [DOI:10.1016/S1574-0706(05)01015-3]
3. Asayesh K, Fallahshams M, Jahangirnia H, Gholami Jamkarani R. (2020) Explaining the Systemic Risk Model Using the Marginal Expected Shortfall Approach (MES) for the Banks Listed on the Tehran Stock Exchange. JPBUD; 25 (2) :115-134. (in Persian) [DOI:10.52547/jpbud.25.2.115]
4. Babalooyan, S., & Nikoomaram, H., & Vakilifard, H., & Rahnamay Roodposhti, F. (2020). Evaluating Value at Risk and Expected Shortfall for Tehran and International Stock Markets (Conditional Extreme Value Theory). JOURNAL OF FINANCIAL ECONOMICS (FINANCIAL ECONOMICS AND DEVELOPMENT), 14(52 ), 55-80. (in Persian)
5. Bu, D., Liao, Y., Shi, J., & Peng, H. (2019). Dynamic expected shortfall: A spectral decomposition of tail risk across time horizons. Journal of Economic Dynamics & Control, 108 (2019) 103753. [DOI:10.1016/j.jedc.2019.103753]
6. Creal, D.D., S.J. Koopman, and A. Lucas (2013). Generalized Autoregressive Score Models with Applications, Journal of Applied Econometrics, 28(5), 777-795. [DOI:10.1002/jae.1279]
7. Creal, D.D., S.J.Koopman, A. Lucas, & M. Zamojski (2015). Generalized Autoregressive Method of Moments, Tinbergen Institute Discussion Paper, TI 2015-138/III. [DOI:10.2139/ssrn.2718186]
8. Diebold, F.X. and R.S. Mariano. (1995). Comparing predictive accuracy, Journal of Business & Economic Statistics,13(3), 253.263. [DOI:10.1080/07350015.1995.10524599]
9. Engle, R.F. and S. Manganelli (2004a). CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles, Journal of Business & Economic Statistics, 22, 367-381. [DOI:10.1198/073500104000000370]
10. Fallahshams, M., Saghafi, A., Naserpoor, A. (2016). Futures Contracts Margin Setting by General Pareto Distribution VaR, Journal of Securities Exchange, 9(33), 25-45. (in Persian)
11. Fissler, T., and J. F. Ziegel. (2016) Higher order elicitability and Osband.s principle, Annals of Statistics, 44(4), 1680-1707. [DOI:10.1214/16-AOS1439]
12. Gerlach,R., Wang,C. (2020). Semi-parametric dynamic asymmetric Laplace models for tail risk forecasting, incorporating realized measures, International Journal of Forecasting, 36, (2), 489-506. [DOI:10.1016/j.ijforecast.2019.07.003]
13. Gneiting, T. (2011). Making and evaluating point forecasts. Journal of the American Statistical Association, 106(494), 746-762. [DOI:10.1198/jasa.2011.r10138]
14. Gregoriou, Greg.N. (2009). The VaR Implementation Handbook, Volue I, McGraw-Hill,Inc.
15. Heidari, H., K. Haddad, G. (2017). Ranking of Parametric Value at Risk Models with Consideration of Trader Position (Application of Asymmetric Distribution Functions in GARCH Models). Economics Research, 17(66), 151-178. (in Persian)
16. Hallin, Marc & Trucíos, Carlos . (2020). Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios: a General Dynamic Factor Approach, Working Papers ECARES 2020-50, Universite Libre de Bruxelles. [DOI:10.2139/ssrn.3748736]
17. Meharani, A., Najafi Moghadam, A., Baghani, A. (2021). Estimation value at risk (VAR) and conditional value at risk (CoVaR) at Tehran Stock Exchange by approach to using Fréchet distribution (FD). Financial Engineering and Protfolio Management, 12(46),449-475. (in Persian)
18. Naderi Nooreini, M. (2018). The Best Methodology of Estimation of Value-at-Risk in Iranian Mutual Funds. Asset Management and Financing, 6(1), 159-180. (in Persian)
19. Naseri S A, Jabal Ameli F, Barkhordary Dorbash S. (2020). Investigating the Correlation of Selected Banks with Dynamic Conditional Correlation (DCC) Model and Identifying Systemically Important Banks with Conditional Value at Risk and Shapley Value Method. Journal of Economic Modeling Research. 11 (41) :145-196. (in Persian)
20. Nikola Radivojevi , Milena Cvjetkovi ,Saša Stepanov. (2016). The new hybrid value at risk approach based on the extreme value theory, Estudios the Economia.43, 29-52. [DOI:10.4067/S0718-52862016000100002]
21. Patton, A.J. , Ziegel, J.F. , Chen, R. (2018). Dynamic semiparametric models for expected shortfall (and Value-at-Risk). J. Econom. 211 (2), 388-413 [DOI:10.1016/j.jeconom.2018.10.008]
22. R. Roodposhti, F., Klantari Dehaghi, M. (2014). Investigation of Multifractaly Models in Finance. Financial Knowledge of Securities Analysis, 7(24), 25-47. (in Persian)
23. Saranj, A., Nourahmadii, M. (2016). Estimating of value at risk and expected shortfall by using conditional extreme value approach in Tehran Securities Exchange. Financial Research Journal, 18(3), 437-460. (in Persian)
24. Storti, G. and C. Wang (2021). Nonparametric expected shortfall forecasting incorporating weighted quantiles. International Journal of Forecasting. In press. [DOI:10.1016/j.ijforecast.2021.04.004]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
