رتبه‌بندی مدل‌های ارزش درمعرض ریسک و کاهش هزینه فرصت الزام سرمایه

رتبه بندی مدل های ارزش درمعرض ریسک به منظور کاهش هزینه فرصت الزامات سرمایه ای، یک ابزار مهم برای ارزیابی عملکرد این مدل ها محسوب می شود. در این مقاله به رتبه بندی و آزمون آماری توانایی پیش بینی مکمل مدل ها پرداخته ایم. روش رتبه بندی استفاده شده با لحاظ کردن اندازه تنبیهی برای مدل های ارزش درمعرض ریسک این اجازه را به مدیران ریسک می دهد که هزینه ریسک و تخصیص سرمایه را به گونه ای مؤثر تفسیر کنند. از این روش در مقایسه عملکرد مدل های موجود پارامتریک شامل مدل های عمومی garch و جابه جایی مارکوف در ارزیابی ارزش درمعرض ریسک برای داده های روزانه شاخص کل بازار سهام تهران در دوره 1380-1391 استفاده شده است. نتایج به دست آمده با استفاده از روش رتبه بندی و آزمون پیش بینی مکمل تأیید می کند که مدل های fiegarch و egarch دارای نتایج بهتری نسبت به دو مدل garch و مدل جابه جایی مارکوف برای پیش بینی ارزش درمعرض ریسک شاخص بازدهی بازار سهام تهران هستند.

Value at Risk Model Rating and Reducing the Opportunity Cost of Capital Requirement

Ranking the Value at Risk (VaR) models to reduce the opportunity cost of capital requirements is as important tool for evaluating the performance of these models. In this paper we used a new method to rank and test the predictive ability of models. This method allows the risk managers to interpret effectively risk and cost of capital allocation by considering the size of the punishment measure for VaR models. We applied this method for comparing the performance of existing parametric VaR models such as GARCH Models and Markov regime switching, for daily data of Tehran stock exchange index in period 20012012. The results confirm that FIEGARCH and EGARCH models have better performance than the GARCH and Markov model in predicting VaR for Tehran stock exchange index.