لحاظ نمودن اثرات حافظه بلند مدت در پيش بيني تلاطم و ارزش در معرض خطر

Forecasting Volatility & Risk Management in Tehran Stock Exchange through Long memory impacts

پيش بيني و لحاظ حافظه بلند مدت در سري هاي زماني يكي از با اهميت ترين موضوعات در بازارهاي مالي است كه در پيش بيني تلاطم و ارزش در معرض ريسك كاربردهاي وسيعي دارد. ارزش در معرض ريسك يكي از معروفترين ابزارهاي ارزيابي ريسك در مديريت مالي است. در اين مقاله براي دو سري زماني شاخص بورس اوراق بهادار تهران و شاخص فرابورس ايران در بازه زماني مهر ماه 1387 تا بهمن ماه 1393 از مدلهاي خانواده GARCHاستفاده گرديده است. نتايج حاكي از وجود اثرات نامتقارن در بازدهي هر دو سري زماني مورد بررسي است. براي ارزيابي پيش بين و ارزش در معرض ريسك از معيارهاي كمترين خطا و آزمون هاي آماري براي ارزيابي كفايت مدل هاي برآورد كننده ارزش در معرض ريسك استفاده شده است. نتايج اين پژوهش نشان مي دهد كه لحاظ اثرات نامتقارن در سري هاي بازدهي و همچنين اثرات حافظه بلندمدت منجر به بهبود پيش بيني تلاطم و ارزش در معرض ريسك اين دو سري زماني مي گردد.

In this paper we explored the relevance of asymmetry and long memory in modeling and forecasting the conditional volatility and market risk of equity market in Iran capital Market (Tehran Stock exchange(TSE) and Iran Fara Bourse(IFB)). A broad set of the most popular linear and nonlinear GARCH (generalized autoregressive conditional Heteroskedasticity)-type models is used to investigate this relevancy of asymmetry and long memory. Our in sample and out-of-sample results displayed that volatility of commodity returns can be better described by nonlinear volatility models accommodating the long memory and asymmetry features. In particular, the FIAPARCH (Fractionally Integrated Asymmetric Power ARCH) model is found to be the best suited for estimating the VaR forecasts for both short and long trading positions. This model given a risk exposure at the 99% confidence interval level have Several implications for equity market risks, policy regulations and hedging strategies can be drawn from the obtained results of this paper.