پایان نامه ارشد درمورد ارزش در معرض ریسک، نرخ بهره، ارزش در معرض خطر، همبستگی شرطی پویا

دانلود پایان نامه ارشد

همکاران (2001)
به مقایسه برخی از مدل‌های تخمین‌زن VaR برای بازار سهام S&P500 امریکا پرداختند. نتایج این مطالعات نشان داد که مدل‌های GARCH و ریسک‌متریک، واریانس‌های کوتاه‌مدت مشابه‌ای را فراهم می‌نمایند اما برای بازه‌های طولانی‌تر نتایج آنها اختلاف معنی‌داری دارد.
موسی و بولن (2002)
مفهوم “نوسانات واقعی شده235” را برای برای آزمون آماری برای تشخیص انحراف حاصل از تخمین‌های VaR روزانه استفاده نمودند.
روکافلر و یوریاسو (2002)
CVaR برش‌های کوتاه بهینه‌یابی236 فراهم می‌کند که از طریق تکنیک‌های برنامه‌نویسی خطی می‌تواند از محاسبات عملی در مقیاس‌های بزرگ (که گاهی خارج از محاسبه است) بکاهد.
برنز (2002)
تخمين زن‌هاي GARCH در مقايسه با ساير مدل‌ها به دليل دقت و سازگاري سطح احتمال، عملكرد بهتري در تخمین VaR دارند.
گرائو (2002)
مدل‌هاي با توزيع تی-استیودنت برای تخمین VaR در داخل نمونه، نتایج بهتري را در مقايسه با توزيع نرمال مي‌دهند، در حالي كه توزيع نرمال در خارج از نمونه مورد بررسي، عملكرد بسيار بهتري براي پيش بيني از خود نشان مي‌دهد.
پولاسك و پوجارليو (2002)
VaR را برای بازده‌های NASDAQ 100 محاسبه كردند و نشان دادند كه انتخاب مدل نوساني مي تواند دقت تخمین VaR را به ميزان قابل توجهي افزايش دهد.
گیوت و لارانت(2003)
در بسياري از موارد هرچند كه توزيع تی-استیودنت عملکرد بهتری را در مدل‌سازي تلاطم دارد، ولي مقدار بحراني توزيع تی-استیودنت مقادير خيلي بزرگي هستند كه منجر به اعلام VaR بزرگ تري مي‌شوند و در نتيجه معمولاً عملكرد مدل‌ها به دليل محافظة كاري فوق‌العاده زير سؤال مي‌رود.

سمپر و کلمنت (2003)
متودولوژی فاکتور ARCH را جهت برآورد VaR پیشنهاد دادند. این الگو مدل‌های ARCH را با تکنیک‌های آنالیز عامل237 با استفاده از ویژگی همبستگی صفر238 ترکیب می‌نماید تا فاکتورهای چندمتغیره تخمین‌زده شده‌ای را بدست آورند.
کابدو و مویا(2003)
روش استاندارد شبیه‌ساز تاریخی، شبیه‌سازی تاریخی همراه با ARMA (HSAF)) و روش واریانس-کواریانس میتنی بر ناهمسانی شرطی خودرگرسیو (ARCH) را برای محاسبه ریسک قیمت اسپات نفت برنت با فرض توزیع نرمال برای بازدهی قیمت نفت انجام دادند. نتایج مطالعات آنها نشان داد که روش HSAF دارای کمیّت ریسک کارا و انعطاف‌پذیری است.
یینگ فان و همکاران (2004)
با معیار قرار دادن روش میانگین نمایی با وزن متغیر به محاسبه ارزش در معرض ریسک بورس شنزن و شانگهاي پرداختند. نتایج نشان داد که نوسان بورس چین بالاست و افت و خیز بورس شنزن از بورس شانگهاي بیشتر است
بائو و اولاه (2004)
به بررسی انحراف مرتبه دوم تخمین‌زن‌های مبتنی بر مدل‌های خانواده GARCH زمانی که این متد بر اساس حداکثر درستمایی گوسی اقدام به تخمین VaR می‌کنند پرداختند. نتایج نشان داد که انحرافات در تخمین دقیق VaR ناشی از دو منبع فروض توزیع باقیماندها و خطای تخمین پارامترها است.
فنگ و همکاران (2004)
یک روش شبه(نیمه‌) پارامتریک VaR برای محاسبه ریسک زیان در بازار نفت خام وست‌تگزاس پیشنهاد نمودند. نتایج مطالعات ایشان نشان داد که روش جدید می‌تواند اندازه ریسک پیش‌بینی‌شده را هنگامی که سطح اطمینان 99 درصد می‌باشد بهبود بدهد.
صادقی و شوال‌پور(2006)
مدل HSAF و واریانس-کواریانس مبتنی بر مدل GARCH را برای تخمین VaR قیمت نفت خام اوپک معرفی کردند. در این مطالعه مدل HSAF به عنوان مدل بهینه انتخاب گردید.

یو (2004)
استفاده از مدل‌های تلفیقی نتایج بهتری نسبت به مدل‌های انفرادی در پیش‌بینی ارزش در معرض ریسک بازدهی‌های سهام می‌دهد.
سو چینگ (2004)
مدل GARCH نامتقارن در پیش‌بینی VaR بهتر از مدل GARCH متقارن است
پولیتز(2004)
مدل GARCH-t دارای حداقل کارایی و دقت در هر دوسطح اطمینان بالا و پایین تخمین VaR دارد.
دگیاناکیس (2004)
مدل FIAPARCH با توزیع شرطی تی-استیودنت چوله در محاسبه رفتار قیمت سهام در VAR روزانه‌ بسیار مناسب است.

ژانگ و چنگ (2005)
روشی را برای محاسبه VaR برای بازارهای سرمایه باترکیبی از روش‌های گاوسی ، الگوریتم و ریاضیات کاربردی برای بازدهی روزانه پیشنهاد داد.
یامی و یوشیبا (2005)
در بررسی مسئله “ریسک دنباله”239” در تخمین VaR این موضوع را در دو حوزه: پرتفوی اعتباری متمرکز و نرخ ارز، تحت آشفتگی بازار بررسی و قابلیت ریزش انتظاری را ثابت نمودند
چیو و همکاران (2005)
با استفاده از مدل‌های GARJI, ARJI و مدل نامتقارن GARCH به تجزیه و تحلیل شاخص بورس و نرخ ارز پرداختند. نتایج مطالعه ایشان نشان داد دقت و کارایی شاخص بورس و نوسانات نرخ ارز در سطوح اطمینان بالا و پایین در توزیع تی- استیودنت با کاهش پارامتر درجه آزادی، دم توزیع پهن‌تر و کشیدگی کوچکتر می‌شود.
پریتسکر (2006)
روش شبیه‌ساز تاریخی واکنش کمتر از حد با تغییر در ریسک شرطی و شرایط نامتقارن می‌دهد. همچنین ریسک بیشتر را در زمان زیان اندازه‌گیری می‌کند، اما این شرایط در زمان کسب سود بیشتر تحقق نمی‌یابد.
تانگ و شی (2006)
مدل‌های حافظه بلندمدت FIGARCH (1, d, 1) و HYGARCH (1, d, 1) با توزیع‌های نرمال، تی- استیودنت و تی- استیودنت چوله تخمین بهتری از VaR دارند.
الکساندر و لی (2006)
مسائل حداقل‌رسانی VaR و CVaR پرتفوی مشتقات معمولاً در قالب ریاضیاتی طراحی مناسبی240 (فرموله سازگاری) نشده است. این محققین محدودیت هزینه وزنی را به عنوان یک معیار اولویت اضافه برای مشکل بهینه‌سازی CVaR پیشنهاد دادند
فن و جیائو(2006)
بر پایه مدل‌های HSAF و EWMA یک روش شبیه‌ساز تاریخی ارتقاءیافته‌ای پیشنهاد دادند. آنها از یک رویکرد نمایی کاهش‌دهنده فرکانس241 همراه با ARMA(EDFAAF) برای تخمین VaR قیمت نفت برنت استفاده نمودند.
سادورسکی (2006)
در مطالعه‌‌ای بر روی فرآورده‌های نفتی، مدل TGARCH سازگاری کاملی با نوسانات گاز طبیعی و نفت حرارتی و مدل GARCH سازگاری کاملی با نوسانات نفت خام و بنزین داشت. نتایج تحقیق وی نشان داد که مدل‌های غیرپارامتریک عملکرد بهتری از مدل‌های پارامتریک در پیش‌بینی VaR دارند.
مايك سو (2006) و فیلیپ یوبا (2006)
با بررسي عملكرد مدل‌هاي مختلف GARCH در تخمين ارزش در معرض خطر با استفاده از داده‌هاي مربوط به 12 شاخص اصلي سهام در اروپا و آمريكاي شمالي و جنوب شرقي آسيا و چهار ارز اصلي دريافتند كه رفتار غيرمتقارن در داده‌هاي مربوط به بازارهاي مالي مشاهده مي‌شود، در حالي كه در بازده مربوط به نرخ ارز، رفتار متقارن مشاهده مي‌شود.
پينگ-و شيه (2007)
ارزش در معرض خطر براي ويژگي تلاطم با حافظة بلندمدت از سه نوع توزيع متفاوت براي داده هاي روزانه مربوط به نرخ بهرة استفاده کردند. نتايج اين تحقيق نشان مي‌دهد كه مدل‌هاي با حافظة بلندمدت نتايج بهتري را نشان مي‌دهند.
وو و شیه (2007)
برای محاسبه VaR برای بازده‌هاي روزانه آتی نرخ بهره اوراق قرضه خزانه‌داری، شواهد قوي در وجود پدیده حافظه بلندمدت در نوسان نرخ بهره آتی در وضعیت بلندمدت وجود دارد.
جان‌کاتر (2007)
در مطالعه‌ای با استفاده از 12 بورس بزرگ اروپا، ارزش در معرض ریسک را بر اساس توزیع‌های شرطی و غیرشرطی با تنظیمات یک دوره‌ای و چند دوره‌ای محاسبه نمود. این مقدار که براساس شاکله ارزش حدی است، بطور قوی وجود دم پهن در شاخص‌ها را تایید نمود.
مارزو و ژاگالی (2007)
مدل EGARCH عملکرد بهتری در تخمین VaR و مدیریت پرتفوی نسبت به سایر اعضا خانواده دارد.
وو و شی (2007)
با استفاده از مدل FIGARCH به اندازه‌گیری VaR روزانه بازدهی آتی نرخ بهره T-bond برای دو موقعیت خرید و فروش با استفاده از توزیع‌های نرمال، تی-استیودنت و تی-استیودنت چوله پرداختند
برون (2007)
در مطالعه‌ای یک نرخ نمایی از نتیجه همگرایی برآوردگر‌های VaR شرطی را برای متغیرهای تصادفی مرزی اثبات کرد. نتیجه این مطالعه نشان داد که مرز انحرافات خوشبینانه تنگتر از مرز انحرافات بد بینانه است.
چان و همکاران (2007)
مدل GARCH با دم پهن و بر اساس توزیع‌های مختلف VaR را برای تعدادی از بازارهای سهام اروپا تخمین زدند.

بالی(2007)
با استفاده از پایگاه اطلاعاتی دو صندوق پوشش ریسک بزرگ، به بررسی رابطه بین بازدهی این صندوق‌ها و VaR برای دوره 2003-1998پرداخند. در این مدل پارامترهای طول عمر، اندازه و نقدشوندگی درنظر گرفته شد.
چئونگ (2008)
به مقایسه ارزش در معرض ریسک توزیع پارتو با دو مدل از خانواده ARCH تحت توزیع نرمال و تی- استیودنت پرداخت. نتایج مطالعه نشان داد که خروجی توزیع پارتو بسیار نزدیک به نتایج مدل ARCH با حافظه بلندمدت و دم پهن است.
ویگا و همکاران (2008)
همبستگی شرطی زمانی بین بازدهی‌های سهام B و A را با استفاده از همبستگی شرطی پویا (DCC) انگل بررسی کردند. نتایج تحقیقات ایشان نشان داد که پیش‌بینی‌های آستانه‌ای ارزش در معرض ریسک استفاده شده بوسیله تجزیه و تحلیل، اهمیت سازگاری همبستگی شرطی پویای دو سهم را برجسته نمود
هاردل و مانگو (2008)
مدل‌هایی که مشخصه‌های نامتقارنی و انباشت کسری را در نوسانات درنظر می‌گیرند، عملکرد بهتری را در پیش‌بینی یک روز به جلوی و پنج رو به جلو برای هر دو موقعیت خرید فروش دارند.
جلال و روکینگر (2008)
استفاده از برآورد دم غیرفیلتر غیر شرطی242 در روش ریزش انتظاری نتایج مناسبتری نسبت به VaR با توزیع نرمال می‌دهد
کاستلو و همکاران ( 2008 )
مدل GARCH نیمه پارامتریک پیش بینی دقیق تري را در مورد VaR ارائه می‌دهد. آنها دلیل این امر را قابلیت مدل GARCH در توجیه پدیده نوسانات خوشه‌اي می‌دانند
هانگ و همکاران (2008)
توزیع‌های با دم پهن، کاربرد بیشتری برای تخمین VaR در حوزه فرآورده‌های انرژی دارند
فان و همکاران (2008)
معیار VaR مبتنی بر مدل GED-GARCH کارایی بیشتری نسبت به خانواده مدل‌های HSAF (نظیر شبیه‌سازی تاریخی همراه با ARMA) دارد. علاوه‌براین این روش از واقع‌بینی و جامعیت بیشتری نسبت به مدل VaR مبتنی بر توزیع‌ نرمال استاندارد برخوردار است.
لیو و همکاران (2009)
در مطالعه‌ای VaR روزانه بازدهی صندوق‌های فعال در بازار بورس تایوان با استفاده از مدل‌های متقارن GARCH و نامتقارنGJR –GARCH مورد بررسی قرار دادند. مدل‌های GJR-t/GARCH-HT تکنیک‌های مناسبی برای این تحقیق بودند.
هاس و همکاران (2009)
از طبقه مدل‌های GARCH ترکیبی نرمال، یک تعمیم چند متغیره نامتقارن را توسعه داند. این مدل عملکرد مناسبی در محاسبه VaR خارج از نمونه داشت.
یوشیدا(2009)
مدل پرتفوی ارزش در معرض ریسک را تحت وضعیت نااطمینانی توضیح داد. در این مدل بر مبنای فازی سازی اعداد و تصادفی نمودن آنها بر اساس الگوی انتظارات احتمالات و ارزش میانگین بدست آمد.
دِگراو (2009)
VaR را برای موقعیت‌های بلندمدت و کوتاه‌مدت بازار نفت مدل‌سازی کردند. مدل GARCH(1, 1)-t نتایج مناسب‌تری نسبت به سایر دارد.
سو و هنگ (2010)
با استفاده از روش‌های نمونه‌گیری مهم یک بازنمایی مجانبی برای برآوردگرهای VaR و CVaR استخراج نمودند
آلوی و مابروک (2010)
مدل‌های دارای حافظه بلندمدت و دم پهن و نامتقارن عملکرد بهتری در پیش‌بینی VaR یک روزه در هر دو موقعیت معاملاتی خرید و فروش دارند.
سرینانداکومار و سیلواپو(2010)
مدل GARCH (1, 1) با با توزیع تی- استیودنت نتایج مناسب و قابل تفسیری از تخمین ارزش در معرض ریسک بازدهی روزانه نشان می‌دهد.
چن و لو (2010)
VaR خودرگرسیو شرطی ((CAViaR) و تخمین مبتنی بر NIG تخمین دقیق و قوی‌تری از VaR معمولی برای بازه یکروزه ارائه می‌دهند
سو وهمکاران (2011)
بعد از مقایسه VaR تحت 5 مدل مختلف، دریافتند که مدل GARCH هنوز به عنوان یک معیار مناسب در تعیین ریسک بشمار می‌آید.
سو وهمکاران (2011)
مدل GJR-GARCH تخمین بهتری از VaR در مقایسه با GARCH دارد.
ونگ و تراک (2011)
دو متد VaR پارامتریک و شبیه‌ساز تاریخی را مورد مقایسه قرار دادند. نتایج نشان می‌دهد که VaR پارامتریک نتایج مناسب‌تری

پایان نامه
Previous Entries پایان نامه ارشد درمورد شاخص قیمت سهام، رابطه علیت، بازده سهام، قیمت سهام Next Entries پایان نامه ارشد درمورد ارزش در معرض ریسک، بازار سهام، ارزش در معرض خطر، بورس اوراق بهادار