برآورد ارزش در معرض خطر پرتفوی سرمایه گذاری با استفاده از مدل های کاپولا- گارچ مطالعه موردی؛ بازار ارز، طلا و سهام
محل انتشار: کنفرانس بین المللی مدیریت و مهندسی صنایع
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,138
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMI01_109
تاریخ نمایه سازی: 20 دی 1394
چکیده مقاله:
ارزش در معرض خطر پرتفوی از جمله سنجه های ریسک میباشد که بصورت گسترده ای در عمل مورد استفاده قرار می گیرد، با این حال، مدل ارزش در معرض خطر پرتفوی متداول با فرض توزیع مشترک نرمال، که معمولاً در روش های رایج استفاده می شود، تورش های قابل ملاحظه ای را با توجه به خطاهای ویژه ی مدل، نشان می دهند. بر اساس مدل های کاپولا، تابع توزیع مشترک بازده یک مجموعه از متغیرهای تصادفی بدست می آید و این امکان را می دهند که ساختار وابستگی، از تابع توزیع مشترک یک مجموعه از متغیرهای تصادفی بدست آید و بطور همزمان، این ساختار وابستگی، بطور مجزا از رفتار تک تک متغیرها بررسی شود. لذا روشی که در این پژوهش برای برآورد VaR پرتفوی، ترکیب مدل گارچ به منظور مدلسازی توزیع های حاشیه ای برای هر یک از دارایی های در پرتفوی و مدل های کاپولا به منظور تشکیل تابع توزیع مشترک، پیشنهاد می شود. در این پژوهش از کاپولاهای چند متغیره گوسی،تی استیودنت و کلایتون برای توصیف ساختار ریسک پرتفوی سرمایه گذاری در سه بازار ارز، طلا و سهام، با بازده های روزانه در بازه ی زمانی ابتدای مهرماه سال 1390 تا ابتدای مهرماه سال 1393 ، استفاده شده است.یافته های این پژوهش، نشان می دهد کهکاپولای تی -استیودنت نسبت به سایر مدلها در برآورد ارزش در معرض خطر و توصیف ساختار وابستگی پرتفوی سری بازده ها، عملکرد بهتری دارد.
نویسندگان
فرشاد نصیری
دانشجوی کارشناسی ارشد مهندسی مالی موسسه آموزش عالی خاتم
خدیجه حسنلو
عضو هیئت علمی گروه مهندسی مالی موسسه آموزش عالی خاتم
سید بابک ابراهیمی
عضو هیئت علمی گروه مهندسی مالیدانشگاه صنعتی خواجه نصیرالدین طوسی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :