کاربرد روش شبکه عصبی مصنوعی و مدل های واریانس ناهمسانی شرطی در محاسبه ارزش در معرض خطر

ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائی ها در بازار نشات می گیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار می روند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه می آورند، لیکن هر یک به تنهایی نمی توانند اطلاعات جامع و کاملی را در خصوص ریسک بازار و یا سبد سهام به دست دهند. به همین منظور، «ارزش در معرض خطر» که به اختصار VaR نامیده می شود، تلاشی است برای اینکه عدد معینی در خصوص ریسک بازار و یا سبد سهام به تحلیل گران و فعالان بازار ارائه کند. در این تحقیق از کلیه مدل های مبتنی بر واریانس ناهمسانی شرطی شامل GARCH، EGARCH، CGARCH، TARCH و GARCH-M و روش شبکه عصبی مصنوعی برای پیش بینی ارزش درمعرض خطر پرتفویی متشکل از ۵۰ شرکت با نقدشوندگی بالا استفاده شده است. سپس نتایج به دست آمده با استفاده از آزمون های پوشش غیرشرطی کوپیک مورد بررسی قرار گرفت. در نهایت مدل شبکه عصبی در مقایسه با سایر روش های مبتنی بر واریانس ناهمسانی شرطی، عملکرد بهتری را بر اساس آزمون کوپیک داشته است.   Abstract Market risk is the result of  uncertainty about asset’s future returns in market.  Nowadays there are various criteria to evaluate the risk associated with market , stock’s  portfolio, industry,  …. But although these various criteria, have a valuable information for market agents, but not a single comprehensive information about the market risk or stock’s portfolio. For this purpose, "value at risk", offer a unique index of market risk or stock’s  portfolio for market’s agent. In this paper all of models based on autoregressive conditional heteroskedasticity (GARCH, EGARCH, CGARCH, TARCH, GARCH-M) and Artificial Neural Network  (ANN) method are used to forecasting value at risk for ۵۰ company with high liquidity The results were analyzed using Kupiec Test. Finally Artificial Neural Network model has a better performance compared with other methods based on Kupiec Test.   

Keywords:

JEL : G۱۴ , C۵۹ , G۱۱ , G۱۷