توسعه مدل پیش بین ریسک منسجم در شرکت‌های بورسی: رویکرد داده های حسابداری

بورس اوراق بهادار ایران در سالهای اخیر توسعه زیادی یافته است. امروزه اهمیت پیش بینی و منافع حاصل از آن، برای تصمیم‌گیری و سیاست‌گذاری از ابعاد مختلف، به خصوص در حوزه سرمایه‌گذاری بر کسی پوشیده نیست. ریسک یکی از اولین دغدغه‌های سرمایه‌گذاران است و معیاری مهم در تصمیم‌گیری‌ها محسوب می‌شود. ارزش در معرض خطر به عنوان یک سنجه ریسک، جای خود را برای اندازه گیری انواع ریسک ها باز کرده اما علی رغم کارآیی بالای این مدل به دلیل برخی نارسایی‌ها از جمله نداشتن ویژگی جمع پذیری یک سنجه منسجم ریسک نیست. ارزش در معرض خطر شرطی(cvar) به عنوان معیار ریسک منسجم محسوب می‌شود که اخیرا مورد استقبال قرار گرفته و بعنوان ابزاری مفید برای اندازه گیری ریسک مطرح گردیده است.جهت پیش بینی ریسک تاکنون مدلهای مختلفی ارایه شده که هر یک دارای نقاط قوت و ضعفی بوده‌اند. برخی از لحاظ کمبود مبانی نظری مناسب دارای ضعف بوده و برخی دیگر علی‌رغم بهره بردن از مبانی نظری مناسب در عمل کارآیی مناسبی از خود نشان نداده اند. ارائهمدلی مناسب برای برآورد ریسک منسجم که هم به سرمایه گذاران کمک نماید و هم خطرات غیرمنتظره‌ای که ممکن است شرکت‌ها را تهدید کنند، پیش بینی نماید. در طول سالهای اخیر، به کاربرد مدلهای شبکه عصبی و مدل های ترکیبی توجه بسیاری شده است. در تحقیق حاضر یک مدل ترکیبی پیش بینی از ریسک منسجم با استفاده از سیستم استنتاج شبکه عصبی فازی (انفیس) و مبتنی بر مدلهای مارکوف سوئیچینگ و مدلهای خانواده گارچ ارائه و توسعه داده شده است.

the development of forecasting model for coherent risk in exchange companies: accounting data approach

iran stock exchange has developed a lot in recent years. today, the importance of forecasting and its benefits for decision-making and policy-making from various dimensions, especially in the field of investment, is not hidden from anyone. risk is one of the first concerns of investors and is an important criterion in decision making. value at risk as a risk measure has given way to measuring a variety of risks, but despite the high efficiency of this model due to some shortcomings, including the lack of aggregation feature of a coherent risk measure. conditional risk value (cvar) is considered as a coherent risk measure that has recently been welcomed and has been proposed as a useful tool for measuring risk.to predict the risk, various models have been presented so far, each of which has its strengths and weaknesses. some of them are weak in terms of lack of appropriate theoretical foundations and others have not shown proper efficiency in practice despite using appropriate theoretical foundations. provide adequate empirical risk assessment that helps both investors and anticipate unexpected risks that may threaten companies. in recent years, much attention has been paid to the application of neural network models and hybrid models. in the present study, a combined model of coherent risk prediction is presented and developed using fuzzy neural network inference system (anfis) based on markov switching models and garch family models.