ارائه مدلی جهت برآورد ریسک دنباله ای با استفاده از مدلهای ترکیبی ارزش فرین (پارامتریک، نیمه پارامتریک و ناپارامتریک)

بازارهای مالی دائماً در معرض ریسک می‌باشند. پیش‌بینی و محاسبه ریسک یکی از مهم‌ترین موضوعات در حوزه مباحث مالی است. با مرور بحران‌های مالی سال‌های اخیر می‌توان این طور استنباط کرد که یکی از دلایل وقوع این بحران‌ها توجه بیش از حد به داده‌های پرتکرار مرکزی و عدم‌توجه به داده‌های فرین است. به عبارت دیگر در تجزیه‌و‌تحلیل داده‌های مالی باید به بخش انتهایی توزیع نیز توجه نمود. هدف از این پژوهش، ارائه مدلی جهت برآورد ریسک دنباله‌ای با استفاده از مدل‌های ترکیبی ارزش فرین است. بر همین اساس از چهار مدل تک‌دنباله‌ای و یک مدل دو دنباله‌ای در دو تابع ساده و garch استفاده شده است. مدل‌سازی بر مبنای سه دسته داده صورت گرفته است. داده‌های مورد بررسی شامل شاخص کل، شاخص قیمت (هم‌وزن) و شاخص 50 شرکت برتر می‌باشد. دلیل اصلی استفاده از این شاخص‌ها یافتن نتایج حساسیت و عملکرد مدل‌های مختلف بر روی داده‌های اقتصادی بازار سرمایه کشور است. با توجه به نتایج بدست آمده، شبیه‌سازی مدل‌ها با garch به طور قابل توجهی عملکرد مدل‌ها را بهبود می‌بخشد و میزان خطای داده‌های شبیه‌سازی شده در مدل‌های مبتنی بر garch کاهش می‌یابد. همچنین یافته‌ها حاکی از آن است که مدل‌های دو دنباله‌ای نسبت به مدل‌های تک‌دنباله‌ای از دقت بیشتری برخوردارند.

providing a model for tail risk estimation using extreme value mixture models (parametric, semi-parametric and non-parametric)

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.