عنوان پایان‌نامه
پیش بینی ارزش در معرض ریسک با استفاده از نظریه مقدار حدی مبتنی بر الگوریتم ژنتیک در بورس اوراق بهادار تهران
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71621
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۴
- دانشجو
- سمیرا امیری
- استاد راهنما
- سعید فلاح پور
- چکیده
- در حوز‌ی ریاضیات مالی، مدیریت ریسک مالی و نیز برای مقاصد قانون‌گذاری یکی از رایج‌ترین شاخص‌های اندازه‌گیری ریسک، ارزش در معرض ریسک است. رویکردهای متنوعی برای تخمین ارزش در معرض ریسک وجود دارد که یکی از آنها استفاده از نظریه مقدار حدی است. نظریه مقدار حدی مربوط می‌شود به طبقه‌ای از توزیع‌ها که با در نظر گرفتن داده‌های حدی نمونه استخراج می‌شوند و برطبق آن می‌توان رفتار دنباله‌ها در یک توزیع را مورد بررسی قرار داد. با توجه به ویژگی دم‌پهن بودن اکثر سری‌های زمانی مالی، نظریه مقدار حدی ابزاری قدرتمند در تخمین ارزش در معرض ریسک است. در بکارگیری نظریه مقدار حدی با استفاده از روش مقادیر فراتر از آستانه، انتخاب آستانه‌ی مناسب گامی مهم در تخمین ارزش در معرض ریسک است. در این پایان‌نامه ما از الگوریتم ژنتیک برای تخمین مقدار آستانه استفاده کرده‌ایم. برای سنجش تاثیر الگوریتم ژنتیک، ارزش در معرض ریسک برای داده‌های شاخص بورس اوراق بهادار تهران با استفاده از 4 روش متفاوت تخمین زده شده است: نظریه مقدار حدی مبتنی بر الگوریتم ژنتیک، نظریه مقدار حدی بدون الگوریتم ژنتیک، شبیه‌سازی تاریخی و میانگین موزون متحرک نمایی. از پس‌آزمایی برای سنجش کارایی روش‌ها استفاده شده است. نتایج براساس این داده‌ها نشان‌گر این هستند که نظریه مقدار حدی مبتنی بر الگوریتم ژنتیک در مقایسه با نظریه مقدار حدی بدون الگوریتم ژنتیک و روش شبیه‌سازی تاریخی کاراتر است.
- Abstract
- In the field of financial mathematics, risk management, and regulatory purposes one of the most common criteria for measuring risk is Value at Risk (VaR). Various approaches are available for estimating the Value at Risk, one of them is Extreme Value Theory (EVT). It relates to a class of distribution that are derived from considering the extreme values in a sample and help to study the tails behavior of a distribution. it is a powerful tool for estimating Value at Risk due to fat-tail characteristic in most financial time series. For using the mentioned theory to estimate Value at Risk, choosing appropriate threshold is an important step. In this thesis, a genetic algorithm is used to estimate the value of threshold. To assess the impact of genetic algorithm to estimate Value at Risk, for the index data of Tehran Stock Exchange Value at Risk is estimated by using 4 different approaches such as Historical Simulation, Exponential Weighted Moving Average, Extreme Value theory and Extreme Value Theory based on genetic algorithm. In addition for measuring the performance of methods, back testing has been used. The results show that Extreme Value Theory based on genetic algorithm in comparison with Historical Simulation and Extreme Value Theory is more reliable.
