Approximation of the VaR by combination of HARQ model and extreme value theory in Tehran Stock Exchange

Document Type : Research Paper

Authors

1 Assistant Professor at Department of Applied Mathematics, Parand & Robatkarim branch, Islamic Azad Univrsity

2 Assistant Professor at Industrial Engineering, Parand & Robatkarim branch, Islamic Azad Univrsity

10.30465/jnet.2023.39132.1817

Abstract

One of the important categories in investing, especially in the stock market, is to pay attention to the issue of risk management for investors and companies. One of the most widely used measures in risk calculation, which includes both time horizon and confidence level, is the value at risk (VaR), which has been highly regarded by researchers and risk analysts over the past two decades. There are various methods, including parametric, semi-parametric and non-parametric, for calculating the risk arc, which can be used depending on the type of data. In this paper, by combining the generalization of Heterogeneous autoregressive model (HAR), ie Heterogeneous autoregressive quarticity model (HARQ) and extreme value theory, we introduce an efficient method for calculating the risk value of some stocks present in the Tehran Stock Exchange and compare the advantages and comparison with other approaches such as parametric and non-parametric. We will address the disadvantages of the introduced method. The statistical population of this research is an example of active companies that were present in the stock exchange from 1392 to 1397. It is noteworthy that the half-hour time frame has been adopted in order to achieve higher accuracy. It is also a method of data analysis using MATLAB software.

Keywords

References

  1. آوازه، شیوا؛ اسلامی بیدگلی، سعید؛ کاظمی، معین. 1392 . محاسبه ارزش در معرض ریسک شاخص بورس اوراق بهادار تهران با استفاده از نظریه ارزش فرین، فصلنامه بورس اوراق بهادار، شمارة 21 ، سال ششم. 115-136.

    بیگ خورمیزی، مجتب ؛ رافعی ، میثم، 1399، مد لسازی ارزش در معرض ریس قراردادهای آت ی سکه بهار آزادی با درنظرگرفت حافظۀ تاریخی در مشاهدات: کاربردی از الگوهای FIAPARCH-CHUNG . نشریه مدیریت دارایی و تامی مالی، 8(8) 1 ، 82 – 57.

    پیش بهار، ا. عابدی، س. 1396، محاسبه ارزش در معرض خطر پرتفوی: کاربرد رهیافت کاپیولا، ،  مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 30، 73-75.

    راغفر، ح. آجورلو، ن. 1395، برآورد ارزش در معرض خطر پرتفوی ارزی یک بانک نمونه با روش GARCH-EVT-Copula،  فصلنامه پژوهش های اقتصادی ایران، شماره 67، تابستان ، صفحه: 113-141.

    رنگریز، و.، 1397، مدیریت ریسک در کنترل حسابداری، دومین کنفرانس ملی پژوهش های نوین حسابداری و مدیریت در هزاره سوم، کرج، دانشگاه جامع علمی کاربردی سازمان همیاری شهرداری ها.

    زمردیان، غلامرضا؛ رستمی، علی؛ کریمی زند، مهدی.، 1393. مقایسه توان تبیین مدلهای پارامتری اقتصادسنجی و شبکه عصبی در سنجش می ان ارزش درمعرض خطر پرتفوی شر کتهای سرمایه گذار ی جهت تعیین پرتفوی بهینه در بازار سرمایه ایران. مهندسی مالی و مدیریت اوراق بهادار، 21 ،  75 – 55.

    صادقی خوانساری، م.، صادقی خوانساری، ا.، 1396، بکارگیری روش ارزش در معرض خطر برای برآورد ریسک در صنعت بانکداری، دهمین کنفرانس بین المللی انجمن تحقیق در عملیات ایران، بابلسر، انجمن ایرانی تحقیق در عملیات.

    طالب لو، ر.، داودی، م م.، 1396، مقایسه رویکرد EVT با سایر روش های سنجش ریسک بازار VaR در چهارچوب پس آزمایی و آزمون کوپیک: دلالت هایی برای مدیریت ریسک بازار نهادهای مالی، فصلنامه پژوهش‌های اقتصادی ایران.

    عبادتی، امیدمهدی؛ اعفری، محمدع لی؛ داودی فر ، نسیم، 1400، پیش ببینی قیمت سهام در بازار مالی با استفاده از الگوریتمهای ترکیلی GA-SVM . پیشرفتهای مالی و سرمایه گذاری، 2(5) ،. 22 – 1. .

    فلاح شمس، م.ف. ثقفی، ع. ناصرپور، ع.1396، مقایسه مدل های ارزش در معرض خطر شبیه سازی تاریخی و گارچ در پیش بینی وجه تضمین قراردادهای آتی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 32، پاییز.

    کشاورز حداد، غلامرضا؛ زابل، محمد امید . 1399. ارزیابی رو شهای محاسبه ارزش در معرض ریسک طلا با لحاظ جریمه برای پیش برآورد ریسک . پژوهشنامه اقتصادی، 20 ، 77 ، 28 – 1 .

    میری، ا.، ایمانی، ک.، احمدی، م.، میری، ا.، 1396، برآورد و مقایسه ارزش در معرض ریسک پرمعامله ترین سهام بورس اوراق بهادار تهران با استفاده از مدل گارچ چندمتغیره، دهمین کنفرانس بین المللی اقتصاد و مدیریت، رشت، دانشگاه آزاد اسلامی واحد رشت.

    میرزایی قزانی، مجید، 1396،  تحلیل رفتار متغیر تلاطم تحقق‌یافته در بورس اوراق بهادار تهران مبتنی بر رهیافت مدل‌های خودرگرسیونی ناهمگن، تحقیقات مالی، شماره بیستم، 365-388.

    نویدی، س.، رستمی مال خلیفه، م.، 1396، بهینه سازی استوار سبد سهام با استفاده از سنجه ریسک ارزش در معرض خطر شرطی، نهمین کنفرانس ملی تحلیل پوششی داده ها، بجنورد، دانشگاه آزاد اسلامی واحد بجنورد.

    واحدی، ف.، یزدانی، ح م.، 1396، محاسبه ارزش در معرض ریسک با استفاده از معیار ناپارامتریک (شبیه سازی مونت کارلو) مطالعه موردی (بانک صادرات)، کنفرانس پارادایم های نوین مدیریت و علوم رفتاری، تهران، دبیرخانه دائمی کنفرانس.

    یاکیده، ک.، قلی زاده، م ح.، کاظمی میانگسکری، م.، 1396، مدل میانگین ارزش در معرض ریسک، بهینه سازی سبد سهام: روشی مبتنی بر مدل های تحلیل پوششی داده ها با داده های منفی، دومین کنفرانس بین المللی مدیریت صنعتی، بابلسر، دانشگاه مازندران.

    Afzal, F., Haiying, P., Afzal, F., Mahmood, A., & Ikram, A.. Value-at-Risk Analysis for Measuring Stochastic Volatility of Stock Returns: Using GARCH-Based Dynamic Conditional Correlation Model. SAGE Open, 11(1) , (2021)و 215824402110057.

    1. G. Andersen, T．Bollerslev, DM-Dollar volatility: Intraday activity patterns，macroeconomic announcements，and longerrun dependencies, J. Finance 53 (1998) 219–265．
    2. E. Barndorff-Nielsen, N．Shephard, Econometric analysis of realized volatility and its use in estimating stochastic volatility models, J. Royal Statist. Society B 64 (2002) 253–280．

    Balkema, A., and De Haan, L. "Residual life time at great age", Annals of Probability, 2,  (1974) 792–804.

    Bouoiyour, J., & Selmi, R,. Bitcoin: A beginning of a new phase. Economics Bulletin, 36(3), (2016), 1430-1440.

    Chen, Y., & Qu, F.. Leverage effect and dynamics correlation between international crude oil and China’s precious metals. Physica A: Statistical Mechanics and Its Applications, 534 (2019), 122-319.

    Chen Q., Giles D., and Feng H., The Extreme-Value Dependence between the Chinese and Other International Stock Markets. Applied. Financial Economics, Volume 22(2012), Issue 14.

    1. Corsi, A simple approximate long-memory model of realized volatility, Scien. Elec. Publishing 7 (2009) 174–196.
    2. H. Kupiec, Techniques for verifying the accuracy of risk measurement models, J. Derivatives 3 (1995) 73–84.

    . Liu, Y. Wei, Y. Chen, J. Yu, Y. Hu, Forecasting the Value-at-Risk of Chinese stock market using the HARQ model and extreme value theory, Physica A (2018), https://doi.org/10.1016/j.physa.2018.02.033

    Lang MH., Lins KV., and Miller D., , ADRs, analysts, and accuracy: Does cross listing in the U.S. improve a firm's information environment and increase market value? Journal of Accounting Research, 41(2), (2015), 17−345.

    1. J. Patton, K. Sheppard, Good volatility, bad volatility: Signed jumps and the persistence of volatility, Revi. Econ. Statist. 97 (2015) 683–697.

    J．Pickands III, Statistical inference using extreme order statistics, Anna. Statisti. 3 (1975) 119–131．

    Tahani N.Li.X., , Pricing interest are derivatives under stochastic Volatility Managerial Finance,Vol. 37, (2015). 72-91.

    Talebi, R., Zanjirdar, M., & Pour Fakharan, M.. Analysis and explanation of stock returns based on third and fourth order torques of non-systematic risk and the role of arbitrage constraints and investors' limited attention to it. Advances in Finance and Investment, 2(3), (2021), 97-130. [In Persian].

    Tobin James, and Brainard, PitFalls in Financial Madel Building, American Ecanomic Rerier, VOL: 58, (2017) 99-122.

    Wang, C., Zhang, X., Wang, M., Lim, M. K., & Ghadimi, P.. Predictive analytics of the copper spot price by utilizing complex network and artificial neural network techniques. Resources Policy, 63, (2019), 101-414.

    Zhang, Z., & Zhang, H.-K. The dynamics of precious metal markets VaR: A GARCHEVT approach. Journal of Commodity Markets, 4(1), (2016), 14–27.

Files

History

  • Receive Date: 23 November 2021
  • Revise Date: 01 May 2023
  • Accept Date: 07 May 2023

Share

How to cite

Statistics