محاسبه ارزش در معرض ریسک دنباله با استفاده از مدل egarch-extreme learning machine و رویکرد صنعت بیمه

یکی از مهم‌ترین روش‌های سنجش ریسک بازار استفاده از روش ارزش در معرض ریسک می‌باشد که نهادهای مالی نظیر بانک‌ها، بیمه‌ها و صندوق‌های سرمایه‌گذاری به طور گسترده‌ای از آن‌ها استفاده می‌نمایند. با مطرح شدن انتقادات معیار ارزش در معرض ریسک که در راس آن‌ها عدم تامین ویژگی زیر جمع‌پذیری است؛ تحقیقات به بررسی سنجه ارزش در معرض ریسک دنباله معطوف گردید و این سنجه در کمیته بازل در بانکداری و سیستم‌های توانگری مالیii اروپا و توانگری مالی سوئیس در صنعت بیمه مورد استفاده قرار گرفت؛ لذا در این پژوهش از این معیار جهت سنجش ریسک بازار سهام استفاده خواهد شد. با توجه به اینکه افق زمانی ریسک‌های یک بیمه‌گر بر خلاف بانک‌ها سالانه می‌باشد؛ لذا برای محاسبه ارزش در معرض ریسک دنباله از دو متد رویکرد واریانسکوواریانس با بکارگیری مدل گارچ نماییماشین فوق یادگیری برای پیش‌بینی نوسانات و استفاده از قاعده جذر زمان؛ و مدل شبیه‌سازی تاریخی با داده‌های فیلتر شده استفاده شده است. نتایج با استفاده‌ از بازده‌های روزانه شاخص کل بورس اوراق بهادار تهران برای سال‌های 1388 تا 1396 حاکی از دقت بیشتر مدل گارچ نمایی ماشین فوق یادگیری و بکارگیری قاعده جذر زمان می‌باشد.

Calculating Tail Value at Risk Using a EGARCH-Extreme Learning Machine Model And The long-term forecast approach in the insurance industry

One of the most important methods for market risk measurement is Valueatrisk (VaR) that financial institutions such as banks, insurers and investment funds use them extensively. VaR as a risk measure is heavily criticized for not being subadditive, thus the researchers focuses on the assessment of the Tail valueatrisk (TVaR), and this measure is using on the Basel Committee on Banking and Solvency II of Europe and Swiss Solvency Test (SST). this paper focuses on TVaR to measure the risk of the stock market. Considering that the time horizon of the risks of an insurer unlike banks is annually. thus, to calculate the TVaR, we use of the two methods of the variancecovariance approach with the EGARCHExtreme learning Machine model to volatility forecasting and use of squarerootoftime rule; and Filtered Historical simulation model. The results of using the daily returns of the Tehran Stock Exchange Index for 1388 to 1396 confirm that the EGARCHExtreme learning Machine model with use of squarerootoftime rule performs better in TVaR calculation in terms of efficiency and accuracy.