چکیده:
در پژوهش حاضر علاوه بر محاسبه موقعيت هاي معاملاتي كوتاه و بلند مدت به بررسي ارزش هاي درون نمونه و برون نمونه VaR كه براي ارزيابي كيفيت پيش بيني مدل براورد شده در نظر گرفته شده است، مي پردازيم. قبل از تخمين VaR، نتايج مدل هاي خانواده انباشته كسري GARCH(حافظه بلندمدت) نشان از اين دارد كه مدل HYGARCH(1،d،1) با توزيع چوله Student-t، نتيجه ايي شبيه مدل FIGARCH(1،d،1) با توزيع چوله Student-t را در مورد پديده دم پهن به نمايش مي گذارد. از مقايسه دو مدل مذكور با توزيع هاي مختلف مدل HYGARCH(1،d،1) با توزيع چوله Student-t بر اساس معيار AIC و ارزش هاي حداكثري لگاريتم راست نمايي، مدلي برتر شناخته شد. آزمون هاي نرخ شكست، ، ، بر اساس طول و DQ كه براي پس آزمايي VaR درون نمونه تهيه شده اند، نشان از اين دارند كه مدل VaR درون نمونه با student-t HYGARCH(1،d،1) عملكرد قابل قبول تري از توزيع هاي ديگر مدل HYGARCH(1،d،1) و مدل FIGARCH(1،d،1) خواهد داشت. از اين رو به بررسي VaR برون نمونه با student-t HYGARCH(1،d،1) پرداخته ايم. نتايج تابع زيان VaR نيز نشان از اين دارد كه در كليه سطوح كوانتيل ها مدل FIGARCH(1،d،1) كمترين زيان بدست آمده را در بر دارد. در نهايت يافتيم مدلي كه ويژگي حافظه بلند مدت در واريانس شرطي را داراست، كمترين زيان و يا عملكرد مناسب تري در ارزيابي پيش بيني را ارائه مي دهد.
خلاصه ماشینی:
آزمون هاي نرخ شکست ، LR،LR ، بر اساس طول و DQ که براي cc ucپس آزمايي VaR درون نمونه تهيه شده اند، نشان از اين دارند که مدل VaR درون نمونه با student-t (١,d,١)HYGARCH عملکرد قابل قبول تري از توزيع هاي ديگر مدل (١,d,١)HYGARCH و مدل (١,d,١)FIGARCH خواهد داشت .
بنابراين مي توان هدف پژوهش حاضر را مدل سازي VaR از لحاظ موقعيت هاي معاملاتي بلندمدت و کوتاه مدت ذکر کرد که هم سو با بررسي مذکور، VaRهاي درون نمونه و برون نمونه توسط مدل هاي مناسب حافظه بلندمدت (FIGARCH و HYGARCH) در توزيع هاي نرمال ، Student-t و چوله Student-t براي TEPIX محاسبه مي شوند.
بطوريکه اگر مدل هاي VaR تحت فرض صفر آزمون هاي LRuc،LRcc ، بر اساس طول ٨ و کوانتيل پويا٩ (DQ) درست تعيين شده باشند، مي توان گفت نرخ خطا بيش از بيش به VaR سطح α نزديک مي شود و يا به عبارت بهتر مدل VaR بيشتر به سرمايه گذاران در مورد پيش بيني امکان زيان تجاريشان کمک مي کند.
7 Davidson 8 duration-based 9 Daynamic Quantile 10 González-Rivera et al 11 Monte Carlo 12 Baillie 13 Tang and Shieh 14 Giot and Laurent 15 Grau 16 Huang and Lin 17 Angelidis and Degiannakis 18 Degiannakis 19 Wu and Shieh 20 Kupic 21 Christoffersen 22 Christoffersen and Pelletier 23 Haas 24 Candelon et al 25 Berkowitz et al 26 Hurlin and Tokpavi 27 Perignon and Smith 28 Engle and Manganelli 29 Lopez تابع زيان لوپز دو نگراني را منعکس مي کند.