مدل ریزش مورد انتظار مبتنی بر تبدیل موجک در افق های زمانی سرمایه گذاری مختلف در بورس اوراق بهادار تهران

ریزش مورد انتظار (es) میانگین بازده دارایی وقتی که بازده زیر مقدار خاصی از چندک توزیع بازدهی یا همان ارزش در معرض ریسک (var) قرار گرفته است. پیمان بال iii قرار است از ابتدای سال 2023 در نظام بانکداری دنیا اجرایی شود و در آن توجه ویژه ای به سنجه es به عنوان جایگزین var شده است اما پژوهش های زیادی در مورد مدل سازی es در مقایسه با var صورت نگرفته است. پژوهش حاضر در صدد انتخاب دقیق ترین مدل تخمین ریزش مورد انتظار از بین مدل های ساده و پیشرفته شامل شبیه سازی تاریخی، خانواده arma-garch، شبیه سازی تاریخی فیلتر شده، فراتر از آستانه شرطی و مدل پیشنهادی ترکیبی شبیه سازی تاریخی فیلتر شده مبتنی بر تبدیل موجک در بورس اوراق بهادار تهران است. بر اساس یافته های تحقیق با استفاده از بازدهی روزانه 11 ساله شاخص کل بورس اوراق بهادار تهران از تاریخ 1389/4/13الی 1399/4/11(بیش از 2400 روز داده بازدهی شاخص کل) و اعمال انواع پس آزمون، مدل پیشنهادی ترکیبی شبیه سازی تاریخی فیلتر شده مبتنی بر تبدیل موجک در تمامی افق‌های زمانی و سطوح اطمینان از مدل های رقیب بهتر عمل کرده است.

Wavelet Based Filtered Historical Simulation in Different Time Horizons in Tehran Stock Exchange

Expected Shortfall (ES) is the average return on a risky asset conditional on the return being below some quantile of its distribution, namely its Value-at-Risk (VaR). The Basel III Accord, which will be implemented in the years leading up to 2023, places new attention on ES, but unlike VaR, there is little existing work on modeling ES. This research seeks to introduce the most accurate and reliable models to estimate Expected shortfall among both conventional and advanced models including Historical simulation model, ARMA-GARCH model, Filtered historical simulation model, Conditional extreme value theory model and a new hybrid semiparametric model called &Wavelet based Filtered historical simulation& in the Tehran Stock Exchange. Based on the results of research, using the 11-year daily main index of Tehran Stock Exchange return from 2010/4/7 to 2020/4/1 (more than 2400 daily of index return data) and applying various backtesting method, the proposed new wavelet based Filtered historical simulation hybrid model has outperforms other competing models in all time horizons and confidence levels.