چكيده فارسي :
ريسك بازار از عدم اطمينان در خصوص بازدهي آتي دارائي ها در بازار نشات مي گيرد. امروزه معيارهاي مختلفي براي بررسي انواع ريسك مرتبط با بازار، سبدهاي مختلف دارائي، صنايع و ... به كار مي روند. اما هر چند اين معيارهاي مختلف، اطلاعات ارزشمندي را براي فعالان بازار به همراه مي آورند، ليكن هر يك به تنهايي نمي توانند اطلاعات جامع و كاملي را در خصوص ريسك بازار و يا سبد سهام به دست دهند. به همين منظور، «ارزش در معرض خطر» كه به اختصار VaR ناميده مي شود، تلاشي است براي اينكه عدد معيني در خصوص ريسك بازار و يا سبد سهام به تحليل گران و فعالان بازار ارائه كند.
در اين تحقيق از كليه مدل هاي مبتني بر واريانس ناهمساني شرطي شامل GARCH، EGARCH، CGARCH، TARCH و GARCH-M و روش شبكه عصبي مصنوعي براي پيش بيني ارزش درمعرض خطر پرتفويي متشكل از 50 شركت با نقدشوندگي بالا استفاده شده است. سپس نتايج به دست آمده با استفاده از آزمون هاي پوشش غيرشرطي كوپيك مورد بررسي قرار گرفت. در نهايت مدل شبكه عصبي در مقايسه با ساير روش هاي مبتني بر واريانس ناهمساني شرطي، عملكرد بهتري را بر اساس آزمون كوپيك داشته است.
چكيده لاتين :
Market risk is the result of uncertainty about asset’s future returns in market. Nowadays there are various criteria to evaluate the risk associated with market , stock’s portfolio, industry, …. But although these various criteria, have a valuable information for market agents, but not a single comprehensive information about the market risk or stock’s portfolio. For this purpose, "value at risk", offer a unique index of market risk or stock’s portfolio for market’s agent.
In this paper all of models based on autoregressive conditional heteroskedasticity (GARCH, EGARCH, CGARCH, TARCH, GARCH-M) and Artificial Neural Network (ANN) method are used to forecasting value at risk for 50 company with high liquidity The results were analyzed using Kupiec Test. Finally Artificial Neural Network model has a better performance compared with other methods based on Kupiec Test
