خلاصة:
بحران مالی جهانی اخیر مشارکت کنندگان بازارهای مالی را بر آن داشت تا رویکرد قابل قبولی را برای پوشش ریسک فراهم نمایند. یکی از معیارهای مهم برای این منظور شاخص ارزش در معرض ریسک می باشد که در طی دو دهه اخیر وارد ادبیات مالی شده است. به طور معمول سه رویکرد پارامتریک، ناپارامتریک و شبه پارامتریک برای محاسبه و برآورد VaR مورد استفاده قرار می گیرد. در این مطالعه روش شبیه سازی زنجیره مارکف مونت کارلو (MCMC) برای پیش بینی VaR روزانه یک گام به جلو بکار گرفته می شود. به طوری که ارزش در معرض ریسک با در نظر گرفتن صدک داده های تولید شده از طریق الگوریتم متروپولیس-هاستینگز و فرایندهای تصادفی به دست می آید. برای بررسی دقت VaR پیش بینی شده بر مبنای روش مذکور، آماره های پوشش شرطی و غیرشرطی آزمون بازخورد به کار گرفته می شوند. نتایج به دست آمده از این تحقیق نشان می دهد روش MCMC در پیش بینی ارزش در معرض ریسک شاخص های بورس اوراق بهادار تهران دارای عملکرد قابل اتکائی بوده و برآوردهای دقیقی از VaR ارائه می دهد.
ملخص الجهاز:
پيش بيني و ارزيابي ارزش در معرض ريسک يک گام به جلو بورس اوراق بهادار تهران با استفاده از روش شبيه سازي زنجيره مارکف مونت کارلو (MCMC) 1 باقر ادبي فيروزجايي تاريخ دريافت : ٩٤/٨/١٩ تاريخ پذيرش : ٩٤/١١/٦ 2 محسن مهرآرا 3 شاپور محمدي چکيده بحران مالي جهاني اخير مشارکت کنندگان بازارهاي مالي را بر آن داشت تا رويکرد قابل قبولي را براي پوشش ريسک فراهم نمايند.
نتايج به دست آمده از اين تحقيق نشان ميدهد روش MCMC در پيش بيني ارزش در معرض ريسک شاخص هاي بورس اوراق بهادار تهران داراي عملکرد قابل اتکائي بوده و برآوردهاي دقيقي از VaR ارائه مي دهد.
به طور خلاصه در اين مقاله سعي بر اين است که با استفاده از روش مذکور، ارزش در معرض ريسک براي پنج شاخص بورس اوراق بهادار تهران 8 برآورد گردد و هم چنين دقت ارزش در معرض ريسک پيش بيني شده به کمک آماره هاي آزمون بازخورد مورد ارزيابي قرار گيرد.
نکته قابل توجه اين است که در پيش بيني قيمت ها در فرايند توليد داده در روش مونت کارلو، ميانگين و واريانس توزيع بازدهيها ثابت در نظر گرفته ميشوند ولي در شبيه سازي MCMC ميانگين و واريانس بکار گرفته شده در معادله قيمتي ثابت نميباشند و بر اساس الگوريتم هاي نمونه گيري ايجاد ميگردند که در ادامه به تشريح آن پرداخته ميشود.
Juan (2003): Semiparametric Estimation of Value at Risk, Journal of Econometrics 6, 261-290.
Bayesian time-varying quantile forecasting for value-at-risk in financial markets.
Incorporating volatility updating into the historical simulation method for value-at-risk.
Forecasting Value at Risk with Historical and Filtered Historical Simulation Methods.