پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,519 |
| تعداد مشاهده مقاله | 124,135,567 |
| تعداد دریافت فایل اصل مقاله | 97,241,046 |
سنجش ریسک شاخص گروه بانکی با استفاده از تخمین نوسانات بازده با مدل نوسانات تصادفی: رویکرد نیمهپارامتری بیزی | ||
| تحقیقات مالی | ||
| مقاله 5، دوره 19، شماره 1، 1396، صفحه 81-96 اصل مقاله (463.41 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2017.207047.1006201 | ||
| نویسندگان | ||
| سید رسول سجاد1؛ سیده زهرا ابطحی* 2 | ||
| 1استادیار مهندسی مالی، دانشکدۀ فنی و مهندسی دانشگاه علم و فرهنگ، تهران، ایران | ||
| 2کارشناس ارشد مهندسی مالی، دانشکدۀ فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران | ||
| چکیده | ||
| با توجه به کاربرد توزیع بازدهی در محاسبۀ معیارهای ریسک و وابستگی دقت تخمین این معیارها به صحت توزیع بازده، برآورد صحیح آن همواره در کانون توجه پژوهشگران بوده است. با وجودی که استفاده از مدل پارامتری نوسانات تصادفی بهمنظور تخمین نوسانات بازده در مطالعات پیشین متداول است، فرض مذکور اغلب به نتایجی با دقت کافی منجر نمیشود، بنابراین در این تحقیق برخلاف فرض معمول پارامتری بودن توزیع جملات اخلال در مدل نوسانات تصادفی، با بهره‌گیری از رویکرد نیمهپارامتری بیزی، به تخمین جملات اخلال پرداخته شده است. در پژوهش حاضر توزیع لگاریتم مربع بازده شاخص گروه بانکی با به‌کارگیری آمیخته‌ای از توزیع‌های خانوادۀ نرمال و با استفاده از زنجیرۀ مارکف مونتکارلو مدلسازی شد و در نهایت نتایج آن با مدل نوسانات تصادفی نرمال، مقایسه گردید. نتایج این بررسی نشان میدهد، در مواقعی که توزیع بازده دارای چولگی باشد، مدل نیمهپارامتری نوسانات را دقیق‌تر تخمین می‌زند، ضمن آن که در شرایطی که توزیع بازده به توزیع نرمال نزدیک باشد، نتایج مدل حاضر، مشابه نتایج مدل نیمهپارامتری با فرض توزیع نرمال خواهد بود. | ||
| کلیدواژه‌ها | ||
| ارزش در معرض خطر؛ الگوریتم زنجیرۀ مارکف مونتکارلو؛ بازده دارایی؛ فرایند دیریکله؛ مدل نوسانات تصادفی | ||
| مراجع | ||
|
Abanto-Valle, C., Bandyopadhyay, D., Lachos, V. & Enriquez, I. (2010). Robust Bayesian Analysis of Heavy-tailed Stochastic Volatility Models using Scale Mixtures of Normal Distributions. Computational Statistics and Data analysis, 54(12), 2883-2898.
Barndorff-Nielsen, E. (1997). Normal Inverse Gaussian Distribution and Stochastic Volatility Modelling. Scandinavian Journal of Statistics, 24 (1), 1-13.
Broto, C. & Ruiz, E. (2004). Estimation Methods for Stochastic Volatility Models: A Survey. Journal of Economic Survey, 18(5), 613-649.
Delatola, E.I. & Griffin, J. (2011). Bayesian Nonparametric Modeling of the Return Distribution with Stochastic Volatility. Bayesian Analysis, 6 (4), 901-926.
Fuller, W. (1996). Introduction to Statistical Time Series (Second),JOHN WILEY,New York.
Griffin, J. (2010). Default Periors foe Density Estimation with Mixture Models. Bayesian Analysis, 1 (5), 45-64.
Jacquier, E., Polson, N. & Rossi, P. (1994). Bayesian Analysis of Stochastic Volatility Models. Journal of Business & Economic Statistics, 12 (4), 317-389. Jacquier, E., Polson, N. & Rossi, P. (2003). Bayesian analysis of stochastic volatility models with fat-tails and correlated errors. Journal of Econometrics, 20.1 (2002): 69-87.
Jensen, M., & Maheu, J. (2010). Bayesian Semiparametric Stochastic Volatility Modeling. Journal of Econometrics, 157.2 (2010), 306-316.
Kim, S., Shephard, N. & Chib, S. (1998). Stochastic Volatility: Likelihood Inference and Comparison with ARCH Models. The Review of Economic Studies, 65 (3), 361-393.
Mahieu, R., & Schotman, P. (1998). An empirical application of stochastic volatility models. Journal of Applied Econometrics, 13 (4), 333-360.
Nakajima, J. & Omori, Y. (2009). Leverage, heavy-tails and correlated jumps in stochastic volatility models. Computational Statistics & Data Analysis, 53 (6), 2335-2353.
Omori, Y., Chib, S., Shephard, N. & Nakajima, J. (2007). Stochastic volatility with leverage: Fast and efficient likelihood inference. Journal of Econometrics, 140 (2), 425-449.
Shephard, N. & Kim, S. (1994). Bayesian Analysis of Stochastic Volatility Models: Comment. Journal of Business and Economic Statistics, 12.4 (1994): 406-410.
Sironi, A. & Resti, A. (2007). Risk management and shareholders' value in banking: from risk measurement models to capital allocation policies, Vol. 417. John Wiley & Sons, England.
Taylor, S. (1982). Financial returns modeled by the product of two stochastic processes-a study of daily sugar prices. North Holland, Amesterdam.
Virbickaite, A., Lopez, H., Ausin, M. & Galeano, P. (2014). Particle Learning for Bayesian Non-Parametric Markov Switching Stochastic Volatility Model. UC3M Working papers. 14-19.
| ||
|
آمار تعداد مشاهده مقاله: 657 تعداد دریافت فایل اصل مقاله: 631 |
||