برآورد ارزش در معرض خطر سبد سهام با استفاده از روش گارچ كاپولاي شرطي

Estimation of the Value of Risky Stocks (Using Conditional Copila-Garch Method)

هدف اين مقاله برآورد ارزش در معرض خطر يك سبد سهام منتخب است. براي اين منظور از روش گارچ كاپولاي شرطي استفاده شده است كه تركيبي از توزيع كاپولا و تابع پيش‌بيني حاصل از مدل‌سازي گارچ است. در اين روش با اتكا به تيوري كاپولا توزيع مشتركي براي دارايي ها در نظر گرفته مي شود كه فارغ از هرگونه فرض نرمال بودن و همبستگي خطي است. داده هاي مورد بررسي، قيمت‌هاي روزانه سبد دارايي يك شركت سرمايه گذاري منتخب متشكل از 17 سهم است . بازه زماني مورد بررسي از تاريخ 3/7/1386 تا 24/12/1390 مي‌باشد . نتايج تحقيق نشان مي دهد كه مدل كاپولاي گوسي با توزيع حاشيه‌اي نرمال و كاپولاي گوسي با توزيع حاشيه‌اي تي‌استودنت عملكرد مناسبي نسبت به روش هاي شبيه‌سازي تاريخي و واريانس - كوواريانس در برآورد ارزش در معرض خطر دارند. هر دو مدل داراي سطح اطمينان 99 و 95 درصد هستند.

The traditional approaches for estimating VAR assume that the joint distribution is well-known and the most commonly used normality of the joint distribution of the assets return. In reality, the financial asset return distribution has fatter tails than normal distributions. On the other hand, the use of linear correlation to model the dependence structure shows many disadvantages. Therefore, the problem raised from normality could lead to an inadequate VaR estimate. In order to overcome these problems, this paper resorts to the copula theory which allows the joint distribution of the portfolio to be free from any normality and linear correlation. Combining copula and the forecast function of the GARCH model, this paper proposes a new method, called conditional copula-GARCH, to compute the VaR of portfolios. Examined data in this study includes daily price of selected portfolio, composed of 17 equities for 1082 days in Tehran stock exchange. Presented model compared with traditional methods (including the historical simulation method & variance_covariance method). the results show that conditional copula-GARCH model captures the VaR more successfully at 95% confidence .