عنوان پایان‌نامه
اندازه گیری ارزش در معرض خطر پرتفوی با استفاده از روش caviar رویکرد مقایسه ای با شبیه سازی تاریخی فیلتر شده
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75350;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75350
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۴
- استاد راهنما
- شهریار محمدی
- دانشجو
- زری آب سالان
- چکیده
- در این پژوهش با استفاده از چهار تصریح مدل CAViaRو با این فرض که داده های بازده دارای اطلاعات کافی برای تخمین می باشند، به تخمین ارزش در معرض خطر روزانه پرتفوی سرمایه گذاری شامل شاخص کل بورس اوراق بهادار تهران و سکه تمام بهار آزادی در بازه ی زمانی ابتدای سال 1388 تا انتهای سال 1393 پرداختیم. در گام بعدی، ارزش در معرض خطر پرتفوی مذکور با استفاده از روش FHS نیز محاسبه شد. جهت مقایسه نتایج حاصل از دو تخمین، از آزمون های آماری سنجش دقت برآورد؛ شامل آزمون های پوششی غیرشرطی و شرطی و آزمون چندک پویا، استفاده شد. نتایج نشان داد که از نظر دقت برازش؛ مدل Asymmetric slope در رتبه اول قرار دارد و مدل FHS با اختلاف اندکی از آن قرار دارد. پس از آن به ترتیب مدل های Indirect GARCH، Symmetric absolute value و Adaptive قرار گرفتند. بنا بر این فرضیه اول پژوهش مبنی بر تخمین دقیق ارزش در معرض خطر با استفاده از مدلCAViaR، تائید گردید. فرضیه دوم مبنی بر مزیت مدل CAViaR بر FHS ؛ در Asymmetric slope با توجه به نتایج حاصل قویاً تایید شد. مدل Indirect GARCH نیز نتایج نزدیک به FHS داشته و در رقابت نزدیک با آن است.
- Abstract
- Value at risk (VaR) is the standard measure of market risk used by financial institutions. Interpreting the VaR as the quantile of future portfolio values conditional on current information. Most existing methods estimate the distribution of the returns and then recover its quantile in an indirect way. In contrast, we directly model the quantile the conditional autoregressive value at risk (CAViaR) model specifies the evolution of the quantile over time using anautoregressive process and estimates the parameters with regression quantiles. We have tested the new approach; CAViaR to VaR estimation for a portfolio of coin and Tehran Exchange index. Then we estimated VaR using FHS method. We used DQ test, a new test to evaluate the performance of quantile models to illustrate the ability of CAViaR models to adapt to new risk environments, besides we used Unconditional Coverage and Conditional Coverage tests to compare two estimations and evaluate VaR approaches performance. Findings suggested that approaches of Asymmetric slope is the best method for forecasting VaR. Lastly, it appears that Symmetric absolute, Adaptive and Indirect GARCH, provide results that are also promising.
