
از مشاهدات گذشته خود دارد.
لیم و همکاران (2011)
از ارزش در معرض ریسک شرطی برای انتخاب سبد بهینه سهام استفاده نمودند.
لونبارک و همکاران (2011)
رویه ارزشگذاری پرتفوی برای محاسبه ارزش در معرض ریسک و ریزش انتظاری بسیار مهم است.
دیاماندیس و همکاران (2011)
مدل APARCH بدلیل درنظر گرفتن (با توجه به توزیع مورد استفاده) دم پهن چپ و راست مدل مناسبتری برالی تخمین VaR میباشد.
لو (2011)
در مطالعهای ارزش در معرض ریسک سالانه ریسک عملیاتی بانکهای تجاری چین را برای دوره 1999 تا 2006 محاسبه نمود.
سو و هنگ (2011)
یک تحلیل جامعی از تاثیر احتمالی پویاییهای جهشی، دم پهن و کشیدگی با توجه به تخمین VaR از طریق بررسی دقت و کارایی تدوین نموند.
جو و همکاران (2012)
یک روش جدیدی برای بهینهسازی پرتفوی بوسیله تفکیک توزیعهای بازدهی دارایی پیشنهاد دادند. این رویکرد ارزش در معرض ریسک قسمتبندی شده (PVaR) میباشد که اندازهگیری ریسک با استفاده از اطلاعات آماری را حداقل میکند.
مابروک و سعدی (2012)
عملکرد مدلهای نوسانی خانواده GARCH و ریسک متریکس را در تخمین VaR یک روز به جلو 7 بازار سهام را با استفاده از توزیعهای مختلف نرمال، تی- استیودنت و تی- استیودنت چوله بررسی کردند.
عباد و بنیتو (2012)
در بین مدلهای مورد مطالعه، مدلهای پارامتریک و در بین آنها مدل GARCH نامتقارن با توزیع تی- استیودنت بهترین خروجی را در تخمین VaR داد.
استاورویانیس و همکاران (2012)
با تاکید بر موضوع بحران مالی اخیر 9-2007 الزامات موافقتنامه بازل II را در خصوص کفایت سرمایه، همچنین تناسب ارزش در معرض ریسک را برای اندازهگیری صحت مدلهای «آزمون تست» و «آزمون بازخور243» به چالش کشید
اسکامبورگ (2012)
یک چارچوبی را معرفی کرد که اجازه میدهد تا رگرسیون کوانتایل غیر پارامتریک را برای پیشبینی VaR در هر سطح احتمال مورد علاقه بکار ببریم
فورس برگ (2012)
مدل GJR-GARCH با توزیع نرمال برای 4 بازار و مدل GARCH با توزیع نرمال برای بازار HANG SENG مناسبترین روش برای تخمین VaR میباشند.
هالبلیب و پوهلمیر (2012)
رویکرد VaR داده-محور را به عنوان ابزاری برای کمّیسازی زیان حدی معرفی نمودند. این روش جدید مزایای زیادی نظیر: دستاوردهای متنوعسازی، تقویت شکست ساختار، تقویت ریسک مدل نادرست و تصحیح انحراف VaR نوعی و در نتیجه حفظ انعطاف شرایط بازاری گوناگون دارد.
هالبلید و پوهلمریر (2012)
یک متودولفوژی از محاسبه VaR بر پایه اصل “ترکیب بهینه” برای پیشبینیهای زیانها در طول دورههای همراه با ریسک مالی بالا پیشنهاد دادهاند.
اولسون و وو(2012)
نتایج VaR مبتنی بر توزیعهای نرمال و لجستیک در مدلهای مختلف احتمالات تحت روش مونت کارلو مورد مقایسه قرار داد. در این مطالعه آزمون خی-دو نشان داد که توزیع لجستیک سازگاری(برازش) بهتری نسبت به توزیعهای نرمال دارد.
گابریل (2012)
نتایج مطالعات وی حاکی برتری مدل TGARCH در برآورد و پیشبنی VaR در بازار سهام رومانی حکایت دارد.
اوی چن و رونگدا چن (2013)
اولاً VaR معیار دقیقی برای اندازهگیری ریسک مالی است. ثانیاً سطح اطمینان بالاتر، VaR بالاتری را نتیجه میدهد.
دگیاناکسی و همکاران (2013)
در نظر گرفتن حافظه بلندمدت در واریانس شرطی، برآورد بهتری از پیشبینی VaR و ES بویژه در افق زمانی طولانیتری ارائه نمیدهد.
روسیگنولو و همکاران (2013)
یک توصیف نظری دقیقی از چارچوب نظارتی (پیمان سرمایه بازل 2 و 2443) در کنار خلاصهای از مدلهای VaR ارائه دادند. آنها نشان دادن که مدل EGARCH هیچ برتری نسبت به مدل GARCH در افقهای زمانی روزانه ندارد.
دیاس (2013)
در مطالعهای به بررسی رابطه بین VaR و ارزش بازار در دورههای بحرانی و غیر بحرانی پرداخت. نتایج نشان داد عملکرد روشهای VaR با پرتفویها بر اساس ارزش بازاری مختلف متفاوت است.
سو و همکاران (2013)
مدلهای انتخاب پرتفوی غیرخطی را با استفاده از VaR پارامتریک تقریبی معرفی نمودند.
کارول و همکاران (2015)
پرتفوی دو متغیرهای را برای پیشبینی ارزش در معرض ریسک با استفاده از کالیبراسون کردن برآوردگرهای ساده غیرپارامتریک پیشنهاد دادند نتایج آن را با مدلهای GARCH مورد آزمون قرار دادند. نتایح مطالعه نشان از برتری مدل طراحی شده ایشان داشت.
هاگنبوم و همکاران (2015)
ارزش در معرض ریسک را برای دادههای تاریخی بر مبنای تابع توزیع پواسن برآورد نمود و واکنش قیمت سهم را برای مبنای انواع مختلف اخبار محاسبه نمود. نتایج مطالعه نشان داد اخبار به ندرت موجب انحراق قیمت سهام از روند خود میشود.
عاصف (2015)
به اندازهگیری ارزش در معرض ریسک بازارهای سهام کشورهای MENA با استفاده از توزیع های نامتقارن شرطی ARCH و دم پهن پرداخت. نتایج این مدلسازی نشان داد که تخمین VaR براساس مدلهای خانواده GARCH نتایج مناسبی را در بر دارد.
حنیفی (1380)
با معرفی VaR میزان ریسک پذیري شرکتهاي پذیرفته شده در بورس اوراق بهادار تهران را مورد بررسی قرار داده است
فدایی نژاد و اقبالنیا (1384)
ارزش در معرض ریسک با استفاده از شاخص بازده نقدی محاسبه نمود.
خالوزاده و امیری (1385)
به مدلسازی ریسک بازار بر مبنای نظریه ارزش در معرض ریسک و روش بهینهسازی الگوریتمهای ژنتیک برای سبد سهامی متشکل از 12 شرکت مختلف در بازار بورس تهران پرداختند.
موسوي زاده (1385)
به بررسی تاثیر مدل قیمت گذاري سه عاملی فاما و فرنچ و مدل ارزش در معرض خطر در تشکیل پرتفوي سهام پرداخت
شاهمرادي و زنگنه (1386)
با کاربرد چهار مدل از نوع مدلهای GARCH ارزش در معرض خطر براي پنج شاخص عمده بورس اوراق بهادار تهران که واریانس ناهمسانی شرطی در آنها مشاهده می شود، برآورد کردند.
عباسی و برجسته ملکی (1388)
با استفاده از روش درمعرض ریسک، به عنوان یک معیار اندازهگیری ریسک در تشکیل سبد سهام بهینه در بازار بورس تهران مورد بررسی قرار دادند.
سجادی و فتحی (1392)
در اين پژوهش علاوه بر تشريح فرايند محاسبه ارزش در معرض خطر، نحوه پياده سازي آن بر روي يک مدل بهينه سازي سرمايه گذاري، با در نظر گرفتن قيدي بر روي ارزش در معرض خطر، بدون در نظر گرفتن فرضي خاص، بيان مي شود.
گلی عرضی و همکاران (1392)
به محاسبه ريسک سرمايه گذاري در صنعت کانه فلزي در بورس اوراق بهادار با استفاده از ارزش در معرض ریسک پرداخت.
شمس و صادقی (1393)
این مطالعه به محاسبه ارزش در معرض ریسک بر اساس تقریب کرنیش-فیشر از توزیع نرمال برای نهادهای مالی بورس و اوراق بهادار تهران صورت گرفت. یافته این تحقیق نشان داد که این مدل برای متغیرهایی که دارای توزیع نرمال میباشند، مناسب میباشد.
سعادتجو و رحیمی (1393)
استفاده از تکنيک هاي ترکيبي ارزش در معرض ریسک راهکار مناسبي را براي تخصيص بهينه منابع و انتخاب صحيح مسير سرمايه گذاري، همچنين تعادل بهينه بين ريسک و بازده را فراهم میکند.
فقیهیان (1394)
با محاسبه ارزش ریسک 10 صنعت برتر بورس اوراق بهادار با استفاده از مدلهای خانواده GARCH شامل GARCH ، IGARCH و EGARCH به رتبهبندی آنها بر اساس میانگین ریسک دوره مطالعاتی پرداخت.
سحابی و همکاران (1394)
این مطالعه به محاسبه ارزش در معرض ریسک دو صنعت استخراج کانههای فلزی و دارو با استفاده از دو رویکرد مدلهای ساده GARCH و مدل آنالیز موجک-GARCH پرداخته شد. نتایج مطالعه نشان داد که مدل آنالیز موجک-GARCH عملکرد بهتر و کاراتر نسبت به مدل رقیب خود دارد.
تنظیم: یافتههای تحقیق
پیوست (د): خلاصه نتایج یافتههای سایر محققین در خصوص استفاده از مدل سوئیچینگ مارکوف در بازارهای مالی
نویسنده (سال انتشار)
نتایج
ماهیو و مک کوردی (2000)
از مدل سوئیچینگ رژیم جهت طبقهبندی بازدهی بازار سهام ایالات متحده به حالت باثبات- بازدهی بالا و حالت پرنوسان- بازدهی پایین استفاده نمودند. آنها از این دو حالت به ترتیب بازارهای رونق و رکود یاد نمودند.
کلاسن (2002)
مدل گارچ سوئیچینگ رژیمی میتواند مشکل پیشبینیهای گارچ استاندارد که در دورههای پرنوسان بسیار بالا میباشد را برطرف نموده و پیشبینیهای بهتری نسبت به پیشبینیهای گارچ استاندارد ارایه نماید
دیویس (2006)
درجه ادغام بازار سهام بینالمللی را با استفاده از تکنیکهای همانباشتگی سوئیچینگ مارکوف مورد بررسی قرار داد. وی مدارک معناداری در حمایت از روابط تعادلی بلندمدت سوئیچینگ مارکوف دو رژیمی یافت.
لوکس و کایزوجی (2006)
قدرت پیشبینی نوسانات و اندازه یک نمونه بزرگی از سهام ژاپن را مورد بررسی قرار دادند. تاکید اساسی این مقاله بررسی عملکرد مدلهای سری زمانی حافظه بلندمدت در مقایسه بامدلهای باحافظه کوتاهمدت بود. دراین مطالعه از مدلهای ARFIMA, FIGARCH در مقابل ARIMA, GARCH مورد مقایسه قرار گرفت. نتایج این مطالعه نشان داد که مدلهای ARFIMA, FIGARCH نتایج بهتری نسبت به مدلهای ARIMA, GARCHدارند. در مدلهای فوق ویژگی مارکف سوئیچینگ نیز گنجانده شده بود.
گودولین و تیمرمن (2006)
در مطالعهای نشان دادن که مدل ترکیبی مارکوف اندازه مناسبی از VaR ماهانه میدهد اما نتایج بازدههای روزانه بدلیل ویژگیهای غیرگوسی (نرمالیتی و…) نتایج مناسبی نداد.
مور و ونگ (2007)
نوسانپذیری بازارهای سهام اعضای جدید اتحادیه اروپا شامل جمهوری چک، مجارستان، لهستان، اسلونی، اسلواکی را با استفاده از مدل سوئیچینگ رژیمی مارکوف مورد بررسی قرار دادند. آنها نشان دادند در این بازارهای سهام نوظهور، دو یا سه حالت نوسانپذیری وجود دارد. نتایج تحقیق آنها نشان داد زمانیکه این کشورها به سمت اتحادیه اروپا حرکت نمودند، بازارهای سهام آنها تمایل به حرکت از رژیم نوسانپذیری بالا به سمت رژیم نوسانپذیری پایین داشتهاند. بهنظر میرسد ورود به اتحادیه اروپا همراه با کاهش نوسانپذیری در بازارهای نوظهور بیثبات میباشد.
گدولین و تیمرمن (2007)
در مطالعهای به بررسی تصمیمات تخصیص دارایی با درنظر گرفتن تغییرات رژیمی در بازدهی داراییها پرداختند. آنها شواحدی را یافتند که 4 رژیم جداگانه – سقوط، رشد آهسته، و وضعیتهای فشار و بهبود- برای تفسیر توزیع پیوسته بازدهی اوراق و سهام نیاز هست. تخصیص داراییهای بهینه در وضعیتهای مختلف تغییر مینماید.
اسپاگنولو و اسپاگنولو (2007)
عکسالعمل بازدههای بازار سهام و نوسانپذیری رشد تولید به خطمشی پولی را با استفاده از فرآیند سوئیچیینگ نوسانپذیری مارکوف مورد بررسی قرار دادند.
ونگ و تئوبالد (2008)
رفتار سوئیچینگ رژیمی شش بازار سهام نوظهور آسیای شرقی را در طول دوره 1970 تا 2004 مورد بررسی قرار دادند. نتایج آنها بیانگر مدارک بسیار قوی مبنی بر وجود بیش از یک رژیم در هر یک از این بازارهای سهام میباشد. چانگ (2009) مدلهای GJR-GARCH سوئیچینگ رژیمی گوناگونی را برای تجزیه و تحلیل اثرات متغیرهای کلان اقتصادی (نرخ بهره، بازدهی سود نقدی و صرف نکول) بر حرکات بازدهی سهام (میانگین شرطی، نوسانپذیری شرطی و احتمالات انتقال) در بازار سهام ایالات متحده بکار بردند. نتایج آنها نشان داد عوامل کلان میتوانند بر پویاییهای بازده سهام اثرگذار باشند.
هاس (2009)
در مطالعهای یک برنامه گستردهای از مدلهای ترکیبی مارکوف مختلف را برای اندازهگیری VaR بازدهی روزانه بازارهای اصلی اروپا با استفاده از آزمونهای بازخور خارج از نمونه ارائه داد. در این تحقیق ایشان دو توزیع گوسی و تی- استیودنت را درنظر گرفتند و عملکرد دو مدل یک متغیره و چند متغیره را تحت پارامترهای مختلف مقایسه نمودند. نتایج این مطالعه نشان داد که مدل تک متغیره با توزیع تی- استیودنت نتایج مناسب و دقیقی را داد
چانگ (2009)
در مطالعهای با استفاده از مدلهای GJR-GARCH سوچینگ رژیمی تاثیر متغیرهای اقتصاد کلان (نرخ بهره، سود تقسیمی و صرف نکول) برروی نوسانات بازدهی سهام امریکا (شامل میانگین شرطی، واریانس شرطی و احتمالات
