عنوان پایان‌نامه
تحلیل مقایسه ای ارزش در معرض بورس اوراق بهادار تهران
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70349;کتابخانه دانشکده اقتصاد شماره ثبت: 1683
- تاریخ دفاع
- ۱۴ مهر ۱۳۹۴
- دانشجو
- باقر ادبی فیروزجائی
- استاد راهنما
- شاپور محمدی, محسن مهرآرا
- چکیده
- هدف اساسی در این رساله آن است که ارزش در معرض ریسک (VaR) روزانه پنج شاخص عمده بورس اوراق بهادار تهران شامل شاخص کل، شاخص پنجاه شرکت برتر، شاخص صنعت، شاخص قیمت و بازده نقدی و شاخص واسطه‌گری‌های پولی و مالی با استفاده از رویکردهای پارامتریک، ناپارامتریک، شبه‌پارامتریک، شبیه‌سازی پنجره و زنجیره مارکف مونت‌کارلو (MCMC) برآورد گردد. علاوه بر این با استفاده از مسئله بهینه‌سازی پرتفولیو بر مبنای معیارهای ارزش در معرض ریسک (VaR)، ارزش در معرض ریسک شرطی (CVaR)، بدترین وضعیت ارزش در معرض ریسک (WVaR) و ارزش در معرض ریسک تفکیک شده (PVaR)، چهار شاخص ریسک مذکور برای پرتفولیویی منتخب از سهام‌های شرکت‌های بورس تهران محاسبه می‌شود. در ادامه به منظور ارزیابی دقت میزان ریسک برآورد شده و نیز مقایسه عملکرد روش‌های مختلف ذکر شده، آماره‌های پوشش شرطی و غیر شرطی آزمون بازخورد به‌کار گرفته می‌شود. نتایج آزمون بازخورد مربوط به برآوردهای VaR روزانه شاخص‌ها نشان می‌دهد که اولا در میان رویکردهای رایج، روش پارامتریک نسبت به دو روش ناپارامتریک و شبه‌پارامتریک پیش‌بینی دقیق‌تری از ارزش در معرض ریسک به‌دست می‌دهد. روش جدید پنجره بر مبنای معیارهای شباهت فاصله اقلیدسی و معیار DTW ، دقت VaR پیش‌بینی شده را نسبت به رویکردهای رایج بهبود می‌بخشد. همچنین روش MCMC در پیش‌بینی‌های یک گام به جلوی ارزش در معرض ریسک روزانه دارای عملکرد قابل اتکایی است. از طرفی نتایج حاصله از بهینه‌سازی پرتفولیو به روش هیبریدی ژنتیک-اجتماع ذرات (GAPSO) حاکی از آن است که معیارهای ریسک VaR و CVaR اندازه‌گیری نسبتا دقیق‌تری از زیان پرتفولیو به‌دست می‌دهد و این در حالی است که دو معیار WVaR و PVaR مقدار ریسک را بیش از حد برآورد می‌کنند.
- Abstract
- The main purpose of this study is daily value at risk (VaR) estimation indices of Tehran Stock Exchange (TSE) via parametric, non-parametric, semi-parametric, window simulation and Markov chain Monte Carlo (MCMC) approaches. Moreover, using of portfolio optimization problem based on value at risk (VaR), conditional value at risk (CVaR), worst case value at risk (WVaR) and partitioned value at risk (PVaR), these four risk measures are calculated for a sample portfolio of TSE companies stocks. Next, accuracy of estimated risk and performance of different methods are evaluated by conditional and unconditional coverage backtest. Backtest statistics results of daily VaR show that among the current approaches, parametric method forecasts value at risk more accurate than non-parametric and semi-parametric ones. Also window method based on similarity measures of Euclidean distance and DTW method, improve the predicted VaR accuracy in comparison of three traditional methods. Empirical results also indicate that MCMC methods has a reliable performance in prediction of daily one day ahead VaR. However, the optimization findings through hybrid genetic-particle swarm (GAPSO) method demonstrate that PVaR and WVaR overestimate portfolio risk value while VaR and CVaR give a rather accurate estimation. Key words: value at risk, parametric, non-parametric and semi-parametric approach, window method, MCMC method, portfolio optimization, backtest
