ارزیابی ریسک مالی مبتنی بر رویکرد ارزش فرین و داده های پربسامد لحظه ای شاخص کل بورس اوراق بهادار تهران

ارزش در معرض خطر یکی از مهمترین معیارهای شناخته شده بازارهای مالی در سنجش ریسک به حساب  می آید. تاکنون روشهای مختلفی برای اندازه گیری  این شاخص معرفی گردیده است. روش ارزش فرین یکی از روشهای نوین محاسبه ارزش در معرض خطر است که بر دنباله های توزیع تمرکز دارد و بجای درنظر گرفتن کل داده ها و بدون نیاز به در نظر گرفتن مفروضات محدود کننده ای مانند فرض نرمال بودن به محاسبه این شاخص می پردازد. در این پژوهش بازده لگاریتمی شاخص کل بورس اوراق بهادار تهران براساس اطلاعات دریافتی در مقاطع زمانی میان روز( بدلیل استفاده از داده های پربسامد ) طی سالهای 1392 تا 1395 جمع آوری و از رویکرد ماکزیمم بلوکها در اندازه گیری var استفاده گردید. با توجه به وجود خودهمبستگی و ناهمسانی واریانس سری زمانی داده ها، ابتدا با استفاده از مدل egarch  این مشکل مرتفع گردید. سپس شاخص var در سه وضعیت بلوک بندی براساس اطلاعات ساعتی، روزانه و ماهیانه محاسبه گردید. نتایج تحلیل داده ها در نرم افزار r نشان داد که استفاده از اطلاعات ماهیانه در محاسبه شاخص مزبور از دقت پیش بینی بالاتری برخوردار است.

Financial risk assessment based on Extreme Value Theory and instantaneous data of Tehran Stock Exchange Index

Value at Risk is one of the most important criteria in financial markets for risk assessment. Various methods have been proposed for measuring this index. Extreme Value Theory is one of the new methods for calculating the value at risk that focuses on Distribution sequence of series, and instead of taking all data into account without considering the limiting assumptions such as the assumption of normalization. In this research, the logarithmic return of Tehran Stock Exchange index based on the data received during the time intervals of the day (due to the use of high frequency data) during the years 1392 to 1395 was summed up and the Block Maxima Approach was used in VaR measurement. Given the correlation between the variance and the time series of the data, the problem was first solved using the EGARCH model. Then VaR index was calculated in three blocking conditions based on hourly, daily and monthly data. The results showed that the use of monthly data in calculating this index has a higher predictive accuracy.