ارائه چارچوبی جهت سنجش و پیش‌بینی ریسک سیستمی با رویکرد ریزش مورد انتظار نهایی (Mes) در بازار سرمایه ایران

در این پژوهش تلاش می‌گردد که با استفاده از رویکرد ریزش مورد انتظار نهایی که به‌تازگی در ادبیات ریسک سیستمی موردتوجه قرارگرفته است چارچوبی جهت سنجش و پیش‌بینی ریسک سیستمی در بازار سرمایه ایران ارائه گردد. بر این اساس، ریزش مورد انتظار نهایی به‌عنوان سنجه ریسک سیستمی با در نظر گرفتن مفروضاتی برای بازده بازار و بنگاه اقتصادی، به‌صورت تابعی از میانگین، نوسانات، همبستگی و امید ریاضی‌های دنباله، تجزیه خواهد شد و اجزاء آن با استفاده از یک چارچوب arma‑gjrgarchdcc و یک برآورد کننده ناپارامتری دنباله سنجیده می‌شود. بدین ترتیب، یک پانل هفتگی از ریزش مورد انتظار نهایی شرکت‌ها ایجاد می‌گردد. از طرف دیگر، ریسک سیستمی در دوره‌ای که به نظر آرام می‌رسد و نوسانات پایین است ساخته شده و تا زمان فعال شدن انباشته می‌شود؛ به عبارت دیگر، در زمان کاهش نوسانات، پتانسیل ریسک سیستمی افزایش می‌یابد. لذا در این پژوهش، با بهره‌برداری از ساختار پانلی داده‌ها و ارتباط ریزش مورد انتظار نهایی با مقادیر متغیرهای خاص شرکت که امکان دسترسی به آن‌ها در فواصل زمانی مشخص وجود دارد مدلی برای پیش‌بینی ریسک سیستمی طراحی می‌گردد.

A Framework for Measuring and Predicting Systemic Risk with the Marginal Expected Shortfall Approach (MES) in Iran Capital Market

In this research, it is attempted to present a framework for estimating and predicting systemic risk in Iran capital market using the marginal expected shortfall approach (MES), which has recently been considered in systemic risk literature. On this basis, MES as a systemic risk measure, will be analyzed in terms of assumptions for market and firm returns as a function of mean, volatility, correlation, and tail expectations and its components will be measured using an ARMAGJRGARCHDCC framework and a nonparametric tail expectation estimator. In this way, a weekly panel will be created from the company's MES. On the other hand, the systemic risk is built up in a period that looks calm and low fluctuations, and is accumulated until activation. In other words, systemic risk potential increases as fluctuations decrease. In this study, it was attempted to predict systemic risk by taking advantage of the panel structure of the data and the relationship between MES and firmspecific variables that are available in certain sections.