چکیده:
ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائیها در بازار نشات میگیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار میروند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه میآورند، لیکن هر یک به تنهایی نمیتوانند اطلاعات جامع و کاملی را در خصوص ریسک بازار و یا سبد سهام به دست دهند. به همین منظور، «ارزش در معرض خطر» که به اختصار VaR نامیده میشود، تلاشی است برای اینکه عدد معینی در خصوص ریسک بازار و یا سبد سهام به تحلیلگران و فعالان بازار ارائه کند. در این تحقیق از کلیه مدلهای مبتنی بر واریانس ناهمسانی شرطی شامل GARCH، EGARCH، CGARCH، TARCH و GARCH-M و روش شبکه عصبی مصنوعی برای پیشبینی ارزش درمعرض خطر پرتفویی متشکل از 50 شرکت با نقدشوندگی بالا استفاده شده است. سپس نتایج به دست آمده با استفاده از آزمونهای پوشش غیرشرطی کوپیک مورد بررسی قرار گرفت. در نهایت مدل شبکه عصبی در مقایسه با سایر روشهای مبتنی بر واریانس ناهمسانی شرطی، عملکرد بهتری را بر اساس آزمون کوپیک داشته است.
خلاصه ماشینی:
"در این تحقیق از کلیه مدل های مبتنی بر واریانس ناهمسانی شرطی شامل GARCH،EGARCH ،CGARCH ، TARCH و GARCH-M و روش شبکه عصبی مصنوعی برای پیش بینی ارزش درمعرض خطر پرتفویی متشکل از ٥٠ شرکت با نقدشوندگی بالا استفاده شده است .
برای این منظور از آزمون پوشش غیرخطی کوپیک که در آن فرضیه صفر مبنی بر برابری نرخ شکست محاسبه شده و سطح معنیداری مورد نظر (در اینجا ٥%) است ، استفاده میشود: H: ˆ 0 : ˆ≠ نتایج انجام آزمون برای هر یک از روشهای مبتنی بر واریانس ناهمسانی شرطی و روش شبکه عصبی مصنوعی در جدول زیر آمده است : جدول ٥.
635 قبول منبع : یافته های پژوهشگر مطابق جدول فوق، کلیه روشهای محاسبه ارزش در معرض خطر از قدرت توضیحی مناسبی در برآورد VaR برخوردار هستند و آزمون LR مبنی بر تصریح درست ریسک ، برای همه آنها مورد قبول واقع شده است اما روش شبکه عصبی مصنوعی با آماره LR محاسباتی صفر، بهترین عملکرد را در برآورد ارزش در معرض خطر در طی دوره پیش بینی به روشهای مبتنی بر واریانس ناهمسانی شرطی دارد.
در این تحقیق به پیش بینی ارزش در معرض خطر مرتبط با پرتفویی متشکل از ٥٠ شرکت با نقدشوندگی بالا در بازار اوراق بهادار تهران به صورت پنجرهای رو به جلو، با استفاده از دو رویکرد شبکه عصبی مصنوعی و مدل های مختلف مبتنی بر واریانس ناهمسانی شرطی شامل GARCH،EGARCH ،CGARCH ،TARCH و GARCH-M پرداختیم ."