پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,999,592 |
| تعداد دریافت فایل اصل مقاله | 89,675,574 |
تأثیر سرایت بازده و تلاطم در برآورد ارزش در معرض ریسک سبد دارایی، متشکل از طلا، ارز و سهام | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 6، دوره 53، شماره 1 - شماره پیاپی 122، فروردین 1397، صفحه 117-152 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jte.2018.65072 | ||
| نویسندگان | ||
| غلامرضا کشاورز* 1؛ کبری مفتخر دریایی2 | ||
| 1دانشکده اقتصاد دانشگاه شریف | ||
| 2فارغ التحصیل رشته اقتصاد، دانشگاه صنعتی شریف | ||
| چکیده | ||
| با توجه به اهمیت مدل‌سازی دقیق تلاطم در محاسبهی ارزش در معرض ریسک سبد داراییها، برای پیشبینی تلاطم سبد داراییها از مدل‌های متنوع واریانس ناهمسان شرطی تعمیمیافته چند متغیره استفاده میشود که در آن، ریسک یک دارایی علاوه بر رفتار خود به رفتار دیگر داراییهای موجود در سبد نیز بستگی دارد. به همین علت نباید در برآورد سنجهی ریسک سبد دارایی، سرایت بازده و تلاطم بین داراییهای موجود در سبد را نادیده گرفت. در این مقاله برای نشان دادن اهمیت سرایت اطلاعات،ارتباط بین بازدهی لگاریتمی داراییهای انس طلا، نرخ برابری یورو به دلار آمریکا و شاخص سهام S&P500، از نخستین روز کاری سال 2000 تا 1/12/2014 مورد بررسی قرار میگیرد. شناسایی سرایت بازدهی بین بازارها با بهره‌گیری از مدل خودهمبسته برداریفراهممیشود. اثر سرایت تلاطم با استفاده ازمدل‌های متنوع واریانس ناهمسان شرطی تعمیمیافتهچندمتغیرهای امکانپذیر است که هریک از این مدل‌ها قادرند پویاییهای واریانس شرطی بازده را با در نظر گرفتن ویژگیهایی همچونخوشهای بودن تلاطم و متغیر بودن آن در طی زمان مدل‌سازی کنند، بنابراین در این مقاله در چارچوب مدل‌های MGARCH-VAR، جهت و اثر سرریز اطلاعات بین بازارهایانس طلا، ارز و سهام شناسایی شده است. سپسارزش در معرض ریسک سبد مذکور با رویکرد پارامتریدر سطح اطمینان 99% برای افق پیشبینی یک روزهبرآورد شده است. در مرحلهی بعد پس از آزمون کفایت پوشش شرطی و غیرشرطی،با بهکارگیریرویکردهای مقایسهای تابع زیان لوپز، مجموع زیان انباشته و تابع زیان شنر، عملکرد روش‌های با کفایت در برآورد ارزش در معرض ریسک سبد داراییرا رتبهبندیمی‌شود. نتایج تجربی حاصل از این پژوهش نشان میدهند که سرایت اطلاعات بین بازده و تلاطم داراییهای موجود در یک سبد، برآورد سنجهی ارزش در معرض ریسک را تحت تأثیر قرار داده و نادیده گرفتن این ویژگی سبب برآورد دستبالای ارزش در معرض ریسک سبد داراییها و در نتیجه، تخصیص ناکارای بخش زیادی از منابع جهت پوشش ریسک سبد داراییها میشود. طبقه‌بندی JEL: G11, G15, G19, G32, G39 | ||
| کلیدواژه‌ها | ||
| بازده؛ تلاطم؛ سرریز اطلاعات؛ MGARCH؛ VAR؛ ارزش در معرض ریسک؛ پنجرهی غلتان؛ کفایت مدل؛ مدل رتبهبندی | ||
| عنوان مقاله [English] | ||
| Returns and Volatility Spillover Effects on the Estimated VaR of Gold and Exchange Rate Portfolio | ||
| نویسندگان [English] | ||
| gholamreza keshavarz1؛ Kobra Noftakhar Daryaee2 | ||
| 1Associate Professor of Economic Sciences, Sharif University of Technology | ||
| 2Tejarat Bank | ||
| چکیده [English] | ||
| This research analyzes spillover effects of financial volatility among three international markets: Gold, Stocks and Foreign Exchange. We use the logarithmic returns of the assets - ounces of gold, the euro-dollar exchange rate and America stock index S&P500- from the first business day of 2000 until 1/12/2014 in order to identify the relationship between these three international markets. Identification returns transmission between markets is provided by using Vector Auto Regressive (VAR) model. Volatility spillover effects could be measured by the Multivariate Generalized Auto Regressive Conditional Heteroscedasticity (MGARCH) models. We use VAR-MGARCH model to identify information spillovers between three markets and introduce value at risk in order to measure portfolio risk. We estimate the value at risk of portfolio relying on the parametric approach at 99% confidence level for the forecast horizon of one day with two rolling windows that included 500 and 750 observations. In the first step the adequacy of predictions is tested by unconditional and conditional coverage tests. Then the adequacy predictions are ranked by Lopez loss function, Total accumulated losses and Sener loss function. The empirical results suggest that spillover effects are statistically significant and the VaR forecasts are generally found to be sensitive to the inclusion of spillover effects in any of the multivariate models considered. Ignoring this sensitivity is resulted in overestimation of the portfolio’s value at risk and, therefore, lead to inefficient allocation of resources to cover the risk of the asset portfolio. JEL Classification: G11, G15, G19, G32, G39 Keywords: | ||
| کلیدواژه‌ها [English] | ||
| Volatility, spillover effects, VAR, MGARCH, Value at Risk, rolling window, modeling adequacy, ranking model | ||
| مراجع | ||
|
رادپور، میثم و عبده تبریزی، حسین (1388). اندازهگیری و مدیریت ریسک بازار رویکرد ارزش در معرض ریسک، انتشارات آگاه، چاپ یکم. سوری، داود، زمانی، شیوا و ثنائی اعلم، محسن (1389). بررسی وجود سرایت بین سهام شرکت‌ها در بورس اوراق بهادار با استفاده از یک مدل دینامیک چند متغیره "، مجله‌ی تحقیقات اقتصادی، شماره‌ی 93، 54-29. کشاورز حداد، غلامرضا و جعفر عبدی، اکبر (1388). آزمون سرایت اطلاعات در میان بورس‌های سهام تهران و دبی، پایاننامه. کشاورزحداد، غلامرضا، جعفرعبدی، اکبر و ابراهیمی، سید بابک (1390). بررسی سرایت تلاطم میان بازدهی سهام صنعت سیمان و صنایع مرتبط با آن در ایران، مجله‌ی پژوهش‌های اقتصادی ایران، صص 129-162. کشاورز حداد، غلامرضا و صمدی گمچی، باقر (1388). برآورد و پیشبینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FIGARCH، مجله‌ی تحقیقات اقتصادی، 193-235. کشاورز حداد، غلامرضا و معنوی، سید حسن (1387). تعامل بازار سهام و نفت با تأکید بر تأثیر تکانههای نفتی، مجله‌ی پژوهش‌های اقتصادی ایران، 155-177. Abad, P. (2010). A Detailed Comparison of Value at Risk Estimates. Mathematics and Computers in Simulation. Alexander, C. (2008). Value-at-Risk Models (Vol. IV). John Wiley & Sons Ltd. Baele, L. (2005). Volatility Spillover Effects in European Equity Markets. The Journal of Financial and Quantitative Analysis, 40(2), 373-401. Bailliea, R. T., Bollerslev, T., & Mikkelsen, H. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 74(1), 3-30. Barone-Adesi, G., & Gannopoulos, K. (1997). VaR without Correlation for Nonlinear Portfolios. Journal of Futures Markets(19), 583-602. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327. Boudoukh, J., Richardson, M., & Whitelaw, R. (1998). The Best of Both Worlds: A Hybrid Approach to Calculating Value at Risk. Burns, P. (2002). The Quality of Value at Risk via Univariate GARCH. Working Paper, 19. Campbell , J. Y., Lo, A. W., & Craig, A. (1997). The Econometrics of Financial Markets. Princeton University Press. David, R. (2004). Stock Market Predictability : Is it There ? A Critical Review. 41(12). Dornbusch , R., Park, Y., & Clae, S. (2000). Contagion: Understanding How It Spreads. The World Bank Research Observer, 15(2), 177-197. Dowd, K. (2002). Measuring Market Risk. Willy Finance. Dungey, M., & Tambakis, D. N. (2005). Identifying International Financial Contagion: progress and challenges. Enders, W. (1995). Applied Econometric Time Series. New York: Wiley. Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK Inflation. Econometrica, 50(4), 987-1008. Eun, C. S., & Shim, S. (1989). International Transmission of Stock Market Movements. The Journal of Financial and Quantitative Analysis, 24(2), 241-256. Fama, E. F. (1991). Efficient Capital Markets: A review of theory. Journal of Finance, 25(2), 383-417. Forbes, K., & Rigobon, R. (2002). No Contagion, Only Interdependence: Measuring Stock Market Comovements. the Journal of Finance, 57(5), 2223-2261. Goorbergh, R., & Vlaar, P. (1999). Value-at-Risk Analysis of Stock Returns Historical Simulation , Variance Techniques or Tail Index Estimation ? Amsterdam: De Nederlandsche Bank NV. Hamao, Y., Masulis, R., & Ng, V. (1990). Correlations in Price Changes and Volatility Across International Stock Markets. Review of Financial Studies, 3(2), 281-307. Harris, R. D., & Pisedtasalasai, A. (2006). Return and Volatility Spillovers Between Large and Small Stocks in the UK. Journal of Business Finance & Accounting, 33(9-10), 1556-1571. Hatemi-J, A., & Roca, E. (2005). Exchange Rates and Stock Prices Interaction During Good and Bad Times: Evidence from the ASEAN4 Countries. Applied Financial Economics, 15(8), 539-546. Hull, J. C. (2007). Risk Management and Financial Institution. Upper Saddle River, NJ : Pearson Prentice Hall. Jiaping Zhang, Min Fan, & Xiaojian Yu. (2008). On Spillover effect of RMB exchange Rate Volatility. International Seminar on Business and Information Management. Karolyi, A. G. (Jan., 1995). A Multivariate GARCH Model of International Transmissions of Stock Returns and Volatility: The Case of the United States and Canada. Journal of Business & Economic Statistics, 13(1), 11-25. Keshavarz Hadad, G., & Akhtekhane, S. (2012). Exponentially Declining Weighted Bootstrapping as an Alternative Value-at-Risk Measurement Technique. Working Paper. Kim, K.-h. (2003). Dollar Exchange Rate and Stock Price: Evidence from Multivariate Cointegration and Error Correction Model. Review of Financial Economics, 12(3), 301-313. Kirchgässner, G., & Wolters, J. (April 2007). Introduction to Modern Time Series Analysis. Springer Berlin Heidelberg New York. Koutmos , G., & Booth, G. (December1995). Asymmetric Volatility Transmission in International Stock Markets. Journal of International Money and Finance, 14(6), 747-762. Lawrence, C. (2003). Why is Gold Differenct from Other Assets?an Empirical Investigation. London: World Gold Council. McAleer, M., & da Veiga, B. (2008). Forecasting Value-at-Risk with a Parsimonious Portfolio Spillover GARCH (PS-GARCH) Model. Journal of Forecasting, 27, 1-19. Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370. Pan, M.-S., Chi-Wing Fok, R., & Liu, Y. (2006). Dynamic Linkages between Exchange Rates and Stock Prices: Evidence from East Asian Markets. International Review of Economics and Finance, 16(4), 503-520. Pankaj , S., & Gyanesh, S. (April 2010). Volatility Spillover in India, USA and Japan Investigation of Recession Effects. Phylaktis, K., & Ravazzolo, F. (2005). Stock Prices and Exchange Rate Dynamics. Journal of International Money and Finance, 24, 1031-1053. Pritsker, M. (2006). The Hidden Dangers of Historical Simulation. Journal of Banking & Finance, 30(2), 561-582. Rey, D. (March 2004). Stock Market Predictability : Is it There ? A Critical Review. University of Basel,WWZ/Department of Finance, 41(12). Senera, E., Baronyana, S., & Mengüt, L. A. (2012). Ranking the predictive performances of value-at-risk estimation methods. International Journal of Forecasting, 28(4), 849-873. Sjaastad , L., & Scacciavillani, F. (December1996). The Price of Gold and the Exchange Rate. Journal of International Money and Finance, 15(6), 879-897. Smith, G. (2002). London Gold Prices and Stock Prices Indices in Europe and Japan. World Gold Council. So, M. K., & Yu, P. L. (2006). Empirical analysis of GARCH models in value at risk estimation. Journal of International Financial Markets, Institutions and Money, 16(2), 180-197. Theodossiou, P., & Lee, U. (1993, November). Mean and Volatility Spillover Across Major National Stock Market:Further Empirical Evidence. The Journal of Financial Research, XVI. Tsay, R. S. (2005). Analysis of Financial Time Series (Second ed.). John Wiley & Sons, Inc. Tully , E., & M. Lucey, B. (2007). A power GARCH examination of the gold market. Research in International Business and Finance(21), 316-326. Yang , S.-Y., & Doong, S.-C. (2004). Price and Volatility Spillovers between Stock Prices and Exchange Rates: Empirical Evidence from the G-7 Countries. International Journal of Business and Economics, 3(2), 139-153. Zivot , E., & Wang, J. (2005). Modelling Financial Time Series with S-PLUS, (Second Edition ed.). | ||
|
آمار تعداد مشاهده مقاله: 800 تعداد دریافت فایل اصل مقاله: 835 |
||