محاسبۀ سرمایۀ الزامی ریسک بازار در مدل توانگری مالی شرکتهای بیمه

چالشی که امروزه سیستم توانگری مالی شرکتهای بیمه با آن مواجه است، درک مفهوم ریسک و به‌ دنبال آن اندازه‌گیری و کمی‌کردن ریسک است. یکی از ریسکهای مهم یک شرکت بیمه، ریسک بازار ناشی از سرمایه‌گذاری است. هدف اصلی این مقاله، رفع نواقص و ایرادات آیین‌نامۀ نحوۀ محاسبه و نظارت بر توانگری مالی موسسات بیمه و لحاظ‌کردن دقیق‌تر ویژگیهای سریهای زمانی‌ مالی برای برآورد ارزش در معرض ریسک پرتفوی سرمایه‌گذاری (سهام شرکتهای بورسی، حسابهای ارزی، و املاک و مستغلات) است. ابتدا از مدلهای گارچ برای مدل‌سازی توزیع های حاشیه‌ای سری‌ زمانی ‌لگاریتم بازدهی ها استفاده می‌کنیم. سپس با استفاده از روش فراابتکاری الگوریتم ژنتیک، برای حصول بهترین آستانه در نظریۀ ارزش فرین، دنباله‌های توزیع را مدل‌سازی و از تابع مفصل برای مدل‌سازی همبستگی بین توزیعهای حاشیه‌ای استفاده می‌کنیم. روشهای پس‌آزمایی نشان می‌دهند که مدل پیشنهادی نسبت به مدل سنتی شبیه‌سازی تاریخی عملکرد بهتری دارد و نتایج حاصل‌شده از تابع مفصل تی استیودنت قابل‌ قبول‌تر است و ضریب ریسک بازار برابر با 403/9 درصد به دست آمد.

Determining Capital Requirement for Market Risk in the Solvency Assessment Model of Insurance Companies

The most important challenge that solvency assessment system of insurance companies faces is understanding the concept of risk and then measuring and quantifying it. One of the most important risks of insurance companies is market risk stemming from investments. The main purpose of this paper is to correct the defects of the method of calculation of the solvency of insurance companies to consider more accurately the financial time series features for estimating the value of  risk exposed investment portfolios (stocks of exchange companies, currency accounts, and real estate). First, the marginal distributions of logreturns of time series were modeled using GARCH models.  Then, using the Genetic Algorithm (GA) in order to achieve the best threshold in Extreme Value Theory (EVT), distribution sequences were modeled and using copulas to model dependency structuresbetween marginal distributions. Finally, backtesting methods show that the proposed model had a better performance than the traditional simulation model. Also, the results of the student’s t copula function were more acceptable, and market risk factor was estimated as 9.403%.