برآورد ارزش در معرض خطر چنددوره‌اي بر پايه روش‌هاي شبيه‌‌سازي و پارامتريك

Estimation of multiperiod VaR based on the simulation and parametric methods

با توجه به تاكيد كميته بال بر لزوم استفاده از مدل‌‌‌هاي داخلي ارزش در معرض خطر (VaR) ده‌روزه، بهمنظور مشخص‌كردن حداقل سرمايه پشتيبان ريسك بازار و كاستي‌هاي قاعده جذر زمان، در اين پژوهش هدف ارائه برآوردهاي دقيق‌تر از VaR چند دوره‌اي با استفاده از شانزده روش، براي شاخص كل بورس اوراق بهادار تهران (TEPIX)، NASDAQ و FTSE مي باشد. نتايج بر‌اساس مجموع معيارهاي تابع زيان و كارايي نشان مي‌دهد، مدل شبيه‌سازي تاريخي بوت استرپ شده (BHS) از بهترين عملكرد براي شاخص TEPIX برخوردار است. همچنين، در سطح اطمينان 95 درصد مدل پارامتريك EGARCH با توزيع تياستيودنت و در سطوح اطمينان 99 و 99.5 درصد مدل EGARCH با توزيع نرمال از عملكرد مطلوب‌تري نسبت به ساير مدل‌ها در برآورد VaR پنج‌روزه براي شاخص‌هاي NASDAQ و FTSE برخوردار مي‌باشند. به‌علاوه، يافته‌هاي ما نشان‌دهنده آن است كه بهترين مدل از لحاظ آزمون پوشش شرطي لزوماً اقتصادي‌ترين مدل در برآورد VaR پنجروزه نمي‌باشد.

Abstract: With regard to the Basel Committee’s emphasis on the necessity of using 10day ValueatRisk (VaR) internal models in order to determine minimum market risk capital requirements, and downsides of the squarerootoftime rule, our purpose is to produce more accurate forecasts of the multiperiod VaR using sixteen models for three stock indices, the TEPIX, NASDAQ, and FTSE. The results, based on the sum of the loss function and efficiency criteria indicate that the bootstrapped historical simulation (BHS) model performs the best for the TEPIX. Also, at the 95% confidence level the parametric EGARCH model with the Student’s t innovation and at the 99% and 99.5% confidence levels the EGARCH model with the normal innovation clearly outperform other models in estimating the 5day VaR for both the NASDAQ and FTSE indices. In addition, our findings indicate that the best model based on the conditional coverage test is not necessarily the most economical model in estimating the 5day VaR.