ارائه مدلي جهت برآورد ريسك دنباله اي با استفاده از مدلهاي تركيبي ارزش فرين (پارامتريك، نيمهپارامتريك و ناپارامتريك)

Providing a model for tail risk estimation using extreme Value mixture models (Parametric, semi-parametric and non-parametric)

بازارهاي مالي دايما در معرض ريسك مي باشند. پيش بيني و محاسبه ريسك يكي از مهم ترين موضوعات در حوزه مباحث مالي است. با مرور بحران هاي مالي سال هاي اخير مي توان اين طور استنباط كرد كه يكي از دلايل وقوع اين بحران ها توجه بيش از حد به داده هاي پرتكرار مركزي و عدم توجه به داده هاي فرين است. به عبارت ديگر در تجزيه و تحليل داده هاي مالي بايد به بخش انتهايي توزيع نيز توجه نمود. هدف از اين پژوهش، ارايه مدلي جهت برآورد ريسك دنباله اي با استفاده از مدل هاي تركيبي ارزش فرين است. بر همين اساس از چهار مدل تك دنباله اي و يك مدل دو دنباله اي در دو تابع ساده و GARCH استفاده شده است. مدل سازي بر مبناي سه دسته داده صورت گرفته است. داده هاي مورد بررسي شامل شاخص كل، شاخص قيمت (هم وزن) و شاخص 50 شركت برتر مي باشد. دليل اصلي استفاده از اين شاخص ها يافتن نتايج حساسيت و عملكرد مدل هاي مختلف بر روي داده هاي اقتصادي بازار سرمايه كشور است. با توجه به نتايج بدست آمده، شبيه سازي مدل ها با GARCH به طور قابل توجهي عملكرد مدل ها را بهبود مي بخشد و ميزان خطاي داده هاي شبيه سازي شده در مدل هاي مبتني بر GARCH كاهش مي يابد. همچنين يافته ها حاكي از آن است كه مدل هاي دو دنباله اي نسبت به مدل هاي تك دنباله اي از دقت بيشتري برخوردارند. ن

Financial market participants are constantly exposed to uncertainty and investment risk. Predicting and calculating risk is one of the most important issues in the field of financial issues. Reviewing the financial crises of recent years, it can be inferred that one of the reasons for these crises is the excessive attention to the repetitive central data and the lack of attention to the extreme data. In other words, in the analysis of financial data, the end part of the distribution should also be considered. The purpose of this study is to provide a model for tail risk estimation using extreme value mixture models. Accordingly, four one-tailed models and one two-tailed model in two simple functions and GARCH have been used. Modeling is based on three categories of data. The studied data include total index, price index (homogeneous) and index of top 50 companies. According to the obtained results, simulation of models with GARCH significantly improves the performance of models and reduces the error rate of simulated data in GARCH-based models. The findings also indicate that two-tailed models are more accurate than one-tailed models.