بررسی ساختار همبستگی اطلاعاتی در معیارهای مختلف اندازه‌گیری ریسک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران.

2 دانشجوی کارشناسی ارشد رشته مالی گرایش مهندسی مالی ومدیریت ریسک دانشگاه خاتم، تهران، ایران

چکیده

هدف از این پژوهش مطالعه ساختار همبستگی معیار­های مختلف اندازه ­گیری ریسک است. معیار­های این پژوهش شامل چولگی غیر سیستماتیک(IS)، کشیدگی غیر سیستماتیک(IK)، نوسانات، نوسانات غیر سیستماتیک(IV)، ارزش در معرض خطر کرنیش- فیشر(CFVaR)، شاخص دم چپ(EDR) و شاخص دم راست توزیع است. ابتدا رگرسیون فاما-فرنچ را تخمین زده و با استفاده از پسماندهای رگرسیون، مدل AR(p)-GARCH(p,q) را تخمین می­زنیم و سپس با پسماندهای مدل برای 175 نماد بورسی معیار EDR و سایر معیارهای ریسک را برآورد می­کنیم. نتایج نشان می­ دهد بیشترین همبستگی را روش IS و CFVaR با روش EDR دارد اما با توجه به پایین بودن مقادیر همبستگی نمی­توان گفت به طور کل اثرات EDR را شرح می­دهند. تنها معیارهای EDR و CFVaR بر دم چپ تمرکز دارند و با یکدیگر قابل قیاس هستند. نتایج پس آزمایی برای دو رویکرد CFVaR و EDR نشان می­دهد که با توجه به تعداد تخطی‌های صورت گرفته در 53 درصد موارد روش EDR پیش‌بینی بهتری نسبت به روش­ CFVaR داشته است.

کلیدواژه‌ها


*      Abhay,K.S.,David,E.A.,&Robert,J,Powell.(2011)."Value at Risk Estimation Using Extreme Value Theory". International Journal of Forecasting on Modeling and Simulation,perth,Western Australia,12-16
*      Barberis, N., & Huang, M. (2008). Stocks as Lotteries: The Implications of Probability Weighting for Security Prices. The American Economic Review, 98(5), 2066-2100.
*      Boyer, B., Mitton, T., & Vorkink, K. (2010). Expected idiosyncratic skewness. Review of Financial Studies, 23(1), 169–202.
*      Dittmar, R.F., 2002. Nonlinear pricing kernels, kurtosis preference, and evidence from the cross section of equity returns. Journal of Finance 57, 369–403.
*      Douglas, G. W. (1967). Risk in the equity markets: An empirical appraisal of market efficiency (Doctoral dissertation, Yale University.).
*      Fang, H., & Lai, T. Y. (1997). Co‐kurtosis and Capital Asset Pricing. Financial Review, 32(2), 293-307.
*      Fisher, R.A., Tippett, L.H.C., 1928. On the estimation of the frequency distributions of the largest or smallest member of a sample. Proceedings of the Cambridge Philosophical Society 24, 180–190.
*      Gencay, R., Selcuk, F., and Ulugulyagci, A. (2003a). EVIM: a software package for extreme value analysis in Matlab. Studies in Nonlinear Dynamics and Econometrics, 5:213–239.
*      Gencay, R., Selcuk, F., and Ulugulyagci, A. (2003b). High volatility, thick tails and extreme value theory in value-at-risk estimation. Insurance: Mathematics and Economics, 33:337-356.
*      Gettinby, G., Sinclair, C., Power, D.M., Brown, R., 2004. An analysis of the distribution of extreme share returns in the UK from 1975 to 2000. J. Bus. Financ. Account. 31 (5–6), 607–646.
*      Goyal, A., & Santa‐Clara, P. (2003). Idiosyncratic risk matters! The Journal of Finance, 58(3), 975-1008.
*      Hans,Bystrom,N.E.(2004)"Managing extreme risks in tranquil and Volatile Markets using Conditional extreme value theory". International Review of Finance Analysis,No.13,PP.133–152.
*      Huang,Wei.,Lio,Qianqiu.,Rhee,S.Ghon.&Wu,Feng.(2012)."Extreme downside risk and expected stock returns."Journal of Banking &Finance,No.36,PP.1492-1502.
*      Kittiakarasakun, J. & Tse, Y. (2011). “Modeling the fat tails in Asian stock markets”. International review of economics and finance, 430-440.
*      Kraus, A., & Litzenberger, R. H. (1976). Skewness preference and the valuation of risk assets. The Journal of Finance, 31(4), 1085-1100.
*      Lintner, J. (1965a). Security Prices, Risk, and Maximal Gains from Diversification. The Journal of Finance, 20(4), 587-615.