پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,689 |
| تعداد مشاهده مقاله | 115,002,579 |
| تعداد دریافت فایل اصل مقاله | 89,681,452 |
برآورد و پیش بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روشها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانوده FIGARCH | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 10، دوره 44، شماره 1، بهمن 1388 اصل مقاله (854.05 K) | ||
| نویسندگان | ||
| غلامرضا کشاورز؛ باقر صمدی | ||
| چکیده | ||
| پیش بینی تلاطم یکی از مهمترین موضوعات مورد مطالعه ریسک در بازارهای مالی است. در تحقیق حاضر ابتدا با استفاده از روشهای GARCH، تلاطم موجود با استفاده از 1467 دادة روزانه برای شاخص قیمت بورس تهران برآورد شده و بهترین مدلها در تخمین و پیش‌بینی تلاطم برای توزیع نرمال و توزیع تی- استیودنت نتیجه شده است. با توجه به وجود علائم حافظه بلندمدت برای تبیین میانگین شرطی، از مدل ARFIMA و برای واریانس شرطی، در کنار مدلهای با حافظه کوتاه مدت، از مدل با حافظه بلندمدت FIGARCH استفاده شده است. برای انجام پیش‌بینی در دورة خارج از دورة نمونه، مدل ARFIMA-FIGARCH با توزیع نرمال، دقیقترین مدل بوده و نتایج بهتری را ارائه میدهد. یکی از روشهای مطرح در بررسی ریسکها و مدیریت ریسک، تخمین VaR یا ارزش در معرض خطر است. مقایسة مدلها نشان میدهد که در سطوح اطمینان متفاوت برای تخمین ارزش در معرض خطر، مدلهای مختلف نتایج متفاوتی میدهند، ولی می‌توان گفت مدل FIGARCH در سطح معنی‌داری 5/2? بهترین عملکرد را در میان مدلهای GARCH دارد. طبقهبندی JEL : F45 , G32 | ||
| کلیدواژه‌ها | ||
| ارزش در معرض خطر؛ حافظه بلند مدت؛ شاخص قیمت بورس تهران؛ مدلهای GARCH | ||
| عنوان مقاله [English] | ||
| An Appraisal on the Performance of FIGARCH Models in the Estimation of VaR: the Case Study of Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| gholamreza keshavarz؛ Baagher Samadi | ||
| چکیده [English] | ||
| Risk prediction plays an increasing role in financial risk management. This study aims to investigate existence of asymmetry and long memory volatility in Tehran Stock Exchange Index daily data over period of 1998-2006. 1467 daily index returns are used for volatility modeling via GARCH (Long & short Memory) processes for both normal and t-student innovations. The specification and forecasting performance of competing volatility models are compared by standard criteria. Considering the evidence of long memory, ARFIMA models are developed for conditional mean and both long and short memory models are used for conditional variance. We find that long memory models (particularly with normal distribution of innovations) perform more accurately. Also empirical results indicate that GARCH models have confidential performance with t-student innovation. In sample and out–of-sample Value at Risk calculation resulted by FIGARCH models are more accurate than those of generated by traditional GARCH, particularly in 2.5% critical region. JEL Classification: C22, C53, G15 | ||
| کلیدواژه‌ها [English] | ||
| ARFIMA, GARCH Models, Long memory, Tehran stock Exchange Index, Value at Risk | ||
|
آمار تعداد مشاهده مقاله: 2,957 تعداد دریافت فایل اصل مقاله: 2,293 |
||