پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,999,501 |
| تعداد دریافت فایل اصل مقاله | 89,675,224 |
اندازهگیری ریسک سبد سهام با در نظر گرفتن هم‌بستگی نامتقارن دنباله‌ای در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| دوره 22، شماره 4، 1399، صفحه 542-567 اصل مقاله (868.33 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2020.295548.1006976 | ||
| نویسنده | ||
| عادل بهزادی* | ||
| دانشجوی دکتری، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: مدل‌سازی و اندازهگیری ریسک پرتفوی، یکی از مشکلات پیش روی سرمایه‌گذاران است. پژوهشگران، همواره به رویکرد سنتی اندازهگیری ریسک انتقاد کرده‌اند. پژوهش‌های تجربی، از حقایق آشکارشده در توزیع بازده دارایی‌ها حکایت می‌کند. این حقایق شامل دنباله پهن، چولگی منفی و خوشه‌بندی نوسان است و علاوه بر اینها، شواهد دیگری نیز وجود دارد که هم‌بستگی نامتقارن دنباله‌ای در توزیع بازده دارایی‌ها را نشان می‌دهد؛ به این معنا که در بازارهای رو به پایین، هم‌بستگی بین دارایی‌ها، بیشتر از بازارهای رو به بالاست، بنابراین، می‌بایست در مدل‌سازی ریسک، این مسئله در نظر گرفته شود. روش: مقاله پیش رو، به‌منظور مدل‌کردن حقایق یادشده، به‌ترتیب از تئوری ارزش فرین، گارچ، گارچ نمایی و مدل گارچ گولستن ـ جاگاناتاهان ـ رانکل (GJR) و کاپیولای T-skewed استفاده کرده است. همچنین به‌منظور محاسبه وزن‌های پرتفوی، از مدل میانگین ـ واریانس استفاده شده است. یافته‌ها: یافته‌ها حقایقی را در خصوص بحث مربوط به توزیع بازده دارایی‌ها برای 30 شرکت بررسی شده در بورس تهران آشکار کرد. همچنین، روش‌های بررسی شده، نشان‌دهنده برتری رویکرد پیشنهادی در مقایسه با سایر روش‌های سنتی است. نتیجه‌گیری: هنگام استفاده از خانواده گارچ، مدل گارچ گولستن ـ جاگاناتاهان ـ رانکل، در مقایسه با دو روش دیگر، عملکرد بهتری دارد که اهمیت در نظر گرفتن اثرهای اهرم در مدل‌سازی ریسک برای بازده سهام در بورس تهران را نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| مدیریت ریسک؛ هم‌بستگی نامتقارن دنباله‌ای؛ تئوری ارزش فرین؛ اندازهگیری ریسک سبد سهام؛ ارزش در معرض خطر | ||
| عنوان مقاله [English] | ||
| Portfolio Risk Measurement with Asymmetric Tail Dependence in Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| Adel Behzadi | ||
| PhD Candidate, Department of Financial Engineering, Faculty of Management, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective: Portfolio risk measurement has always been one crucial aspect of finance. Several approaches have been modeled through time and some traditional approaches are criticized by researchers. Traditional methods use the Gaussian approach that it been used normal distribution for assets return. Empirical studies indicate that the return of assets has a stylized fact. The stylized facts include the fat tail, negative skewness and volatility clustering. Furthermore, some studies show that there is asymmetric tail dependence. This means in market downsides, dependence is more than upside market. So this concept should be considered in portfolio risk measurement, otherwise, the estimates will end up having a bias. Methods: To consider the stylized fact, different methods had been proposed. For modeling fat tail and negative skewness, this article uses extreme value theory and to consider volatility clustering, GARCH, EGARCH and GJR are applied. For modeling nonlinear and asymmetric dependence different methods are proposed. In the present article T-skewed copula is used. Mean-variance model is used to compute the weight of the portfolio. To analyze the result, backtesting is examined and for comparing methods, QPS function is applied. Results: In this article TSE data have been used. At first, stylized facts have been checked. For testing fat tail and negative skewness, JB test is used. to analyze the volatility clustering, Liung Box test is applied. Also to check asymmetric tail dependence, exceedance correlation and paired T-test are used. Findings indicate the existence of the stylized facts in the 30 stock return of TSE. After running the models, the only approach based GJR and EGARCH is accepted in backtesting. Also based on QPS function, findings represent the strength of the applied approach to common ones. Conclusion: Results show that the use of the GJR model is better than other models for Portfolio risk measurementthat it shows the importance of leverage effect in TSE for stock return modeling. | ||
| کلیدواژه‌ها [English] | ||
| Risk management, Portfolio risk measurement, Value at Risk, Asymmetric tail dependence, Extreme value theory | ||
| مراجع | ||
|
راغفر، حسین؛ آجورلو، نرجس (1395). برآورد ارزش در معرض خطر پرتفوی ارزی یک بانک نمونه با روش GARCH-EVT-Copula . پژوهش‌های اقتصادی ایران، 21(67)، 113-141.
فلاح پور، سعید؛ احمدی، احسان (1393). تخمین ارزش در معرض ریسک پرتفوی نفت و طلا با بهرهمندی از روش کاپیولا‌ـ گارچ. تحقیقات مالی، 16(2)، 309-326.
کشاورز حداد، غلامرضا؛ حیرانی، مهرداد (1393). برآورد ارزش در معرض ریسک با وجود ساختار وابستگی بین بازدهیهای مالی: رهیافت مبتنی بر توابع کاپولا. تحقیقات اقتصادی، 49(4)، 869-902.
References
Alles, L. A. & Kling, J. L. (1994). Regularities in the variation of skewness in asset returns. Journal of financial Research, 17(3), 427-438.
Ang, A. & Chen, J. (2002). Asymmetric correlations of equity portfolios. Journal of financial Economics, 63(3), 443-494.
Arditti, F. D. (1971). Another look at mutual fund performance. Journal of Financial and Quantitative Analysis, 6(3), 909-912.
Aven, T. (2013). On the meaning of a black swan in a risk context. Safety science, 57, 44-51.
Beedles, W. L. (1979). On the asymmetry of market returns. Journal of Financial and Quantitative Analysis, 14(3), 653-660.
Beine, M., Cosma, A., & Vermeulen, R. (2010). The dark side of global integration: Increasing tail dependence. Journal of Banking & Finance, 34(1), 184-192.
Black, F. (1976). Studies of stock price volatility changes, proceedings of the 1976 meetings of the business and economic statistics section. 177-191. American Statistical association, SN.
Bollerslev, T., Tauchen, G. & Zhou, H. (2009). Expected stock returns and variance risk premia. The Review of Financial Studies, 22(11), 4463-4492.
Chirstie, A. (1982). The stochastic behavior of common stock variances. Journal of Financial Economics, 10, 407-432.
Chunhachinda, P., Dandapani, K., Hamid, S. & Prakash, A. J. (1997). Portfolio selection and skewness: Evidence from international stock markets. Journal of Banking & Finance 21(2), 143-167.
De Haan, L. & Ferreira, A. (2007). Extreme value theory: an introduction. Springer Science & Business Media.
Fallahpour, S. & Ahmadi, E. (2015). Estimating Value at Risk of Portfolio of Oil and Gold by Copula-GARCH Method. Financial Reaserch Journal, 16(2), 309-326. (in Persian)
Fama, E. F. (1965). Portfolio analysis in a stable Paretian market. Management science, 11(3), 404-419.
Glosten, L. R., Jagannathan, R. & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The journal of finance 48(5), 1779-1801.
Hansen, P. R. & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH (1, 1)? Journal of applied econometrics, 20(7), 873-889.
Harvey, C. R. & Siddique, A. (1999). Autoregressive conditional skewness. Journal of financial and quantitative analysis, 34(4), 465-487.
Hu, W. & Kercheval, A. (2007). Risk management with generalized hyperbolic distributions. Proceedings of the Fourth IASTED International Conference on Financial Engineering and Applications, ACTA Press.
Birge, J. R. & Chavez-Bedoya, L. (2016). Portfolio optimization under a generalized hyperbolic skewed t distribution and exponential utility. Quantitative Finance,16, 1019-1036.
Jarque, C. M. & Bera, A. K. (1987). A test for normality of observations and regression residuals. International Statistical Review/Revue Internationale de Statistique, 163-172.
Karmakar, M. (2017). Dependence structure and portfolio risk in Indian foreign exchange market: A GARCH-EVT-Copula approach. The Quarterly Review of Economics and Finance, 64, 275-291.
Keshavarz, H. G., & Heyrani, M. (2015). Estimation of Value at Risk in the Presence of Dependence Structure in Financial Returns: A Copula Based Approach. Journal of Economic Reaserch, 49(4), 869-902. (in Persian)
Kraus, A. & Litzenberger, R. H. (1976). Skewness preference and the valuation of risk assets. The Journal of Finance, 31(4), 1085-1100.
Lee, S. H. & Yeo, S. C. (2016). Performance analysis of EVT-GARCH-Copula models for estimating portfolio Value at Risk. Korean Journal of Applied Statistics, 29(4), 753-771.
Liu, Y. (2012). Risk forecasting and portfolio optimization with GARCH, skewed t distributions and multiple timescales, The Florida State University.
Luo, C. (2016). Stochastic Correlation and Portfolio Optimization by Multivariate Garch, University of Toronto (Canada).
Mainik, G., Mitov, G. & Rüschendorf, L. (2015). Portfolio optimization for heavy-tailed assets: Extreme Risk Index vs. Markowitz. Journal of Empirical Finance, 32, 115-134.
Mandelbrot, B. (1963). New methods in statistical economics. Journal of political economy 71(5), 421-440.
Markowitz, H. (1959). Portfolio selection: efficient diversification of investments, Yale university press.
McNeil, A. & Frey, R., Embrechts, P. (2005). Quantitative Risk Management: Concepts, Techniques, and Tools, Princeton university press.
Nieppola, O. (2009). Backtesting value-at-risk models. Department of Economics
Kansantaloustieteen laitos, Archive number: 12049.
Nystrom, K. & Skoglund, J. (2002). Univariate extreme value theory, garch and measures of risk. Preprint, Swedbank.
Pfaff, B. (2016). Financial risk modelling and portfolio optimization with R, John Wiley & Sons.
Raghfar, H. & Ajorlo, N. (2018). Calculation of Value at Risk of Currency Portfolio for a Typical Bank by GARCH-EVT-Copula Method. Iranian Journal of Economic Reaserch, 21(67), 113-141. (in Persian)
Rom, B. M. & Ferguson, K. W. (1994). Post-modern portfolio theory comes of age. The Journal of Investing, 3(3), 11-17.
Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of economic theory 13(3), 341-360.
Sampid, M., Hasim, H. & Dai, H. (2017). Refining value-at-risk estimates using extreme value theory and copulas: a Bayesian approach. Journal of Applied Econometrics, 25(6), 370-392.
Simkowitz, M. A. & Beedles, W. L. (1978). Diversification in a three-moment world. Journal of Financial and Quantitative Analysis, 13(5), 927-941.
Sklar, M. (1959). Fonctions de repartition a n dimensions et leurs marges. Paris, Publication de1’Institut de Statistique de 1’Universite de 229–231.
Talleblo, R. & Davoudi, M.M. (2018). Estimation of Optimal Investment Portfolio Using Value at Risk (VaR) and Expected Shortfall (ES) Models: GARCH-EVT-Copula Approach, Iranian Journal of Economic Research, 18(71), 91-125. (in Persian)
Tang, J., Zhou, C., Yuan, X. & Sriboonchitta, S. (2015). Estimating Risk of Natural Gas Portfolios by Using GARCH-EVT-Copula Model. The Scientific World Journal, 33, 948–955.
Viebig, J. & Poddig, T. (2010). Modeling extreme returns and asymmetric dependence structures of hedge fund strategies using extreme value theory and copula theory. The Journal of Risk, 13(2), 23.
White, H., Kim, T.-H. & Manganelli, S. (2015). VAR for VaR: Measuring tail dependence using multivariate regression quantiles. Journal of Econometrics, 187(1), 169-188.
Xiong, J. X. & Idzorek, T. M. (2011). The impact of skewness and fat tails on the asset allocation decision. Financial Analysts Journal, 67(2), 23-35.
Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and control, 18(5), 931-955.
| ||
|
آمار تعداد مشاهده مقاله: 931 تعداد دریافت فایل اصل مقاله: 595 |
||