مدل سازي و پس آزمايي VaR از لحاظ موقعيت هاي كوتاه و بلند مدت با توجه به ارزش هاي دورن و برون نمونه: كاربردي از مدل هاي خانواده GARCH انباشته كسري

VaR modeling and back testing of short and long positions according to in Sample and out of Sample: application of family models Fractionally Integrated GARCH

در پژوهش حاضر علاوه بر محاسبه موقعيت هاي معاملاتي كوتاه و بلند مدت به بررسي ارزش هاي درون نمونه و برون نمونه VaR كه براي ارزيابي كيفيت پيش بيني مدل براورد شده در نظر گرفته شده است، مي پردازيم. قبل از تخمين VaR، نتايج مدل هاي خانواده انباشته كسري GARCH(حافظه بلندمدت) نشان از اين دارد كه مدل (HYGARCH(1,d,1 با توزيع چوله Student-t، نتيجه ايي شبيه مدل (FIGARCH(1,d,1 با توزيع چوله Student-t را در مورد پديده دم پهن به نمايش مي گذارد. از مقايسه دو مدل مذكور با توزيع هاي مختلف مدل (HYGARCH(1,d,1 با توزيع چوله Student-t بر اساس معيار AIC و ارزش هاي حداكثري لگاريتم راست نمايي، مدلي برتر شناخته شد. آزمون هاي نرخ شكست، ، ، بر اساس طول و DQ كه براي پس آزمايي VaR درون نمونه تهيه شده اند، نشان از اين دارند كه مدل VaR درون نمونه با (student-t HYGARCH(1,d,1 عملكرد قابل قبول تري از توزيع هاي ديگر مدل (HYGARCH(1,d,1 و مدل (FIGARCH(1,d,1 خواهد داشت. از اين رو به بررسي VaR برون نمونه با (student-t HYGARCH(1,d,1 پرداخته ايم. نتايج تابع زيان VaR نيز نشان از اين دارد كه در كليه سطوح كوانتيل ها مدل (FIGARCH(1,d,1 كمترين زيان بدست آمده را در بر دارد. در نهايت يافتيم مدلي كه ويژگي حافظه بلند مدت در واريانس شرطي را داراست، كمترين زيان و يا عملكرد مناسب تري در ارزيابي پيش بيني را ارائه مي دهد.

In this study, In addition to calculate the short and long trading positions, we examined In Sample and Out of Sample VaR to assess the quality forecast model is considered. To estimate VaR Result, family models Fractionally Integrated GARCH (long term memory) shows that the model HYGARCH (1, d, 1) with the distribution skewed Student-t similar to the result for FIGARCH (1, d, 1) with skewed Student-t distribution for fat-tail phenomenon exhibits. A comparison of the two models with different distribution model HYGARCH (1, d, 1) with skewed Student-t distribution based on AIC criteria and maximum log-likelihood model was superior. failure rates, , and duration-based tests where were prepared for back testing in Sample VaR, Indicates that the VaR model of the student-t HYGARCH (1, d, 1) acceptable performance than other distributed models HYGARCH (1, d, 1) and the FIGARCH (1, d, 1) will be . So to estimate Out of Sample VaR by student-t HYGARCH (1, d, 1) has been paid. Like the analysis of the in sample VaR, Out of Sample VaR was compared with the observed output and results were evaluated by and DQ tests. Ultimately resulting VaR-based loss function at all levels quintile (either long or short term trading positions) shows that the model that has the characteristics of long memory in the conditional variance, minimum losses and better performance in assessment Forecast offers.