Abstract:
پیش بینی ریسک برای دورههای آتی، نقش به سزایی در تصمیمگیری صحیح مدیران و فعالان بخش مالی برای سرمایهگذاری در شرکتها و موسسات سرمایهگذاری ایفا میکند، از طرفی تصمیمات نادرست مدیران میتواند پیامدهای نامطلوبی برای سازمان به همراه داشته باشد. لیکن یکی از مهم ترین مسائلی که سرمایهگذار با آن مواجه میشود پیش بینی ریسک برای دورههای آتی میباشد. اهمیت این مقوله باعث آن گردید که در این مقاله به پیش بینی یک گام به جلوی ارزش در معرض ریسک با استفاده از مدلهای خانواده هموارسازی نمایی برای دو توزیع نرمال و تیاستودنت در سطوح 95%، 97.5 و 99% پرداخته شود. عموما برای پیش بینی دورههای آتی ارزش در معرض ریسک، از روش کلاسیک استفاده میشود اما در این مقاله از مدلهای خانواده هموارسازی نمایی، که روند دادهها را در مدلسازی لحاظ کرده و به اصطلاح پایش را به صورت آنلاین انجام میدهد، استفاده شده است. برای اعتبارسنجی مدلهای ارائه شده، به مقایسه عملکرد آنان با روش کلاسیک از طریق آزمونهای پسآزمایی پرداخته شده است. نتایج به دست آمده پیش بینی دقیق تر روش هموارسازی نمایی تعدیل یافته را نسبت به روش کلاسیک در سطوح 97.5% و 99% برای توزیع نرمال و سطوح 95% و 97.5% برای توزیع تیاستودنت تأیید مینماید.
Risk forecasting for future periods plays an important role in making the right decisions of managers and financial activists to invest in companies and institutions. On the other hand wrong decisions of commercial managers can have undesirable consequences for their organizations. Therefore the most important issues for investors is forecasting risk in future periods. The importance of this issue was caused us to forecast Value at Risk (VaR) in one step ahead by using the exponential smoothing family for two normal and t-student distributions with confidence levels of 95%, 97.5% and also 99% in this research. Previously the classic method is commonly used to forecast future periods of VaR, but in this research the family of exponential smoothing models is used, which process data by considering trend and doing so online monitoring. In order to validate the model, the proposed model has been compared with the classic method by using backtesting. The results confirms the more accurate forecasting of proposed method in normal distribution with confidence levels of 97.5%, and 99% and also in t-student distribution with confidence levels of 97.5%, 99%.
Machine summary:
عموما براي پيش بيني دوره هاي آتي ارزش در معرض ريسک ، از روش کلاسيک استفاده ميشود اما در اين مقاله از مدل هاي خانواده هموارسازي نمايي، که روند داده ها را در مدل سازي لحاظ کرده و به اصطلاح پايش را به صورت آنلاين انجام مي دهد، استفاده شده است .
همچنين فيروزجايي و همکاران (١٣٩٥) به پيش بيني و ارزيابي ارزش در معرض ريسک با رويکرد يک گام به جلو بورس اوراق بهادار تهران با استفاده از روش شبيه سازي زنجيره مارکف مونت کارلو پرداختند و سپس به وسيله آماره هاي پوشش شرطي و غيرشرطي آزمون بازخورد، دقت پيش بيني مدل مذکور را بررسي کردند.
سپس از گروه دوم داده ها، براي پيش بيني يک گام به جلو ارزش در معرض ريسک با تکيه بر روش هاي کلاسيک ، روش هموارسازي نمايي تعديل يافته و روش هموارسازي نمايي دوگانه با روند پرداخته و به منظور مقايسه عملکرد اين روش ها و شناسايي روش برتر با استفاده از آزمون هاي پس آزمايي مبتني بر تابع زيان که متشکل از آزمون اولين تابع زيان لوپز و تابع زيان بلانکو و ايهل ميباشد، پرداخته شده است .
به همين دليل در اين مقاله از مدل هاي خانواده هموارسازي نمايي تعديل يافته با رويکرد يک گام به جلو براي پيش بيني ارزش در معرض ريسک استفاده گشت .
Multiple-days-ahead value-at-risk and expected shortfall forecasting for stock indices, commodities and exchange rates: Inter-day versus intra-day data.
Forecasting daily conditional volatility and h-step-ahead short and long Value-at-Risk accuracy: Evidence from financial data.
Procedia Economics and Finance, 15, 1724-1731 Polasek,W and Pojarliev,M (2000),VaR Estimations Based on Volatility forecasts of GARCH Models.