ارائه مدلي براي پيش بيني يك گام به جلوي ارزش در معرض ريسك

Proposition of a model For Forecasting Value at Risk in One Step Ahead

پيش ‌‌بيني ريسك براي دوره‌هاي ‌آتي، نقش به سزايي در تصميم‌گيري صحيح مديران و فعالان بخش مالي براي سرمايه‌گذاري در شركت‌ها و موسسات سرمايه‌گذاري ايفا مي‌كند، از طرفي تصميمات نادرست مديران مي‌تواند پيامدهاي نامطلوبي براي سازمان به‌ همراه داشته باشد. ليكن يكي از مهم ‌ترين مسائلي كه سرمايه‌گذار با آن مواجه مي‌شود پيش ‌بيني ريسك براي دوره‌هاي آتي مي‌باشد. اهميت اين مقوله باعث آن ‌گرديد كه در اين مقاله به پيش ‌بيني يك گام به جلوي ارزش در معرض ريسك با استفاده از مدل‌هاي خانواده هموارسازي نمايي براي دو توزيع نرمال و تي‌استودنت در سطوح 95%‌‌، 97.5 و 99%‌ پرداخته شود. عموما براي پيش ‌بيني دوره‌هاي آتي ارزش در معرض ريسك، از روش كلاسيك استفاده مي‌شود اما در اين مقاله از مدل‌هاي خانواده هموارسازي نمايي، كه روند داده‌ها را در مدل‌سازي لحاظ كرده و به اصطلاح پايش را به صورت آنلاين انجام مي‌دهد، استفاده شده است. براي اعتبار‌سنجي مدل‌هاي ارائه شده، به مقايسه عملكرد آنان با روش كلاسيك از طريق آزمون‌هاي پس‌آزمايي پرداخته شده است. نتايج به دست آمده پيش ‌بيني دقيق ‌تر روش هموارسازي نمايي تعديل ‌يافته را نسبت به روش كلاسيك در سطوح 97.5% و 99% براي توزيع نرمال و سطوح 95% و 97.5% براي توزيع تي‌استودنت تأييد مي‌نمايد.

Risk forecasting for future periods plays an important role in making the right decisions of managers and financial activists to invest in companies and institutions. On the other hand wrong decisions of commercial managers can have undesirable consequences for their organizations. Therefore the most important issues for investors is forecasting risk in future periods. The importance of this issue was caused us to forecast Value at Risk (VaR) in one step ahead by using the exponential smoothing family for two normal and t-student distributions with confidence levels of 95%, 97.5% and also 99% in this research. Previously the classic method is commonly used to forecast future periods of VaR, but in this research the family of exponential smoothing models is used, which process data by considering trend and doing so online monitoring. In order to validate the model, the proposed model has been compared with the classic method by using backtesting. The results confirms the more accurate forecasting of proposed method in normal distribution with confidence levels of 97.5%, and 99% and also in t-student distribution with confidence levels of 97.5%, 99%.