ارزش در معرض خطر درون‌روزی بر پایه مدل دیرش شرطی خودرگرسیو نامتقارن

نوع مقاله: کاربردی

نویسندگان

1 استادیار گروه مالی، دانشگاه خاتم، تهران، ایران

2 کارشناسی ارشد مالی، دانشگاه خاتم، تهران، ایران

چکیده

مسئله اصلی در مورد اندازه‌‌گیری ریسک بر مبنای معیار ارزش در معرض خطر با داده‌های پرفراوانی، وجود فواصل زمانی نامنظم میان داده‌ها است. مدلسازی این فواصل زمانی از روش‌های مختلفی صورت گرفته است. در این پژوهش به تخمین ارزش در معرض خطر درون‌روزی با توجه به اطلاعات معاملاتی برای 10 سهم نقدشونده از صنایع مختلف بورس اوراق بهادار تهران با رویکرد مدل دیرش شرطی پرداخته شده است. فواصل زمانی معاملات برای داده‌های پرفراوانی با استفاده از مدل‌های دیرش شرطی خودرگرسیو نامتقارن (AACD) و دیرش شرطی خودرگرسیو (ACD) مدلسازی شده و ارزش در معرض خطر درون‌روزی با استفاده از شبیه‌سازی مونت کارلو محاسبه شده است. نتایج به‌دست آمده از پژوهش نشان می‌دهد که ارزش در معرض خطر درون‌روزی محاسبه شده بر پایه مدل دیرش شرطی خودرگرسیو نامتقارن در مقایسه با نتایج مدل دیرش شرطی خودرگرسیو (ACD) از دقت بالاتری برخوردار است. همچنین نتایج حاصل از تخمین‌ها وجود یک الگوی روزانه در تغییرات ارزش در معرض خطر درون‌روزی را نشان می‌دهد.
JEL: G23, G32
نحوه استناد به این مقاله: پویان‌‌فر، ا.، و دمرلو، ع. (1396). تخمین ارزش در معرض خطر درون‌روزی برپایه مدل دیرش شرطی خودرگرسیو نامتقارن. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(3)، 278-296.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Intraday Value at Risk Estimation Based on an Asymmetric Autoregressive Conditional Duration Approach

نویسندگان [English]

  • Ahmad Pouyanfar 1
  • ali damerloo abhari 2
1 Assistant Prof., Finance Department, Khatam University, Tehran, Iran
2 MSc. in Finance, Khatam University, Tehran, Iran
چکیده [English]

The most important parameter in risk evaluation by intraday value at risk (IVaR) simulation is the irregular spaced high frequency data. There are several methods for model high frequency data and in this paper we propose a method to compute IVaR using real time high frequency transaction data for 10 stock of Tehran Stock Exchange. Transactions durations are modeled by asymmetric autoregressive conditional duration (AACD) and autoregressive conditional duration (ACD) mehhods and IVaR has been calculated by Mont Carlo simulation. Research results show that IVaR calculated using AACD method outperforms. And also results of IVaR calculation shows a daily pattern in IVaR variation.
JEL: G23, G32
How to cite this paper: Pouyanfar, A., & Damerloo Abhari, A. (2017). Intraday Value at Risk Estimation Based on an Asymmetric Autoregressive Conditional Duration Approach. Quarterly Journal of Risk Modeling and Financial Engineering, 2(3), 278–296. (In Persian)

کلیدواژه‌ها [English]

  • Intraday Value-At-Risk
  • High-Frequency Data
  • Asymmetric Autoregressive Conditional Duration Model

اسلامی بیدگلی، غ.، و خان احمدی، ف. (1391). امکان کاهش ریسک پورتفوی براساس مدل ناهمسانی واریانس شرطی تعمیم یافته در بورس اوراق بهادار. تحقیقات مالی، 14(1)، 17-30.

Andersen, T. G., & Bollerslev, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models do Provide Cccurate Forecasts. International Economic Review, 39(4). 885-905.

Bauwens, L., & Giot, P. (2003). Asymmetric ACD Models: Introducing Price Information in ACD Models. Empirical Economics, 28(4), 709-731.

Charles, A. E., Goodhart, A., & O'Hara, M (1997). High Frequency Data in Financial Markets: Issues and Applications. Journal of Empirical Finance, 4(2), 73-114.

Chou, R. Y. (2005). Forecasting Financial Volatilities with Extreme Values: The Conditional Autoregressive Range (CARR) Model. Journal of Money, Credit and Banking, 25(3), 205-305

Coroneo, L., & Veredas, D. (2012). A Simple Two-component Model for the Distribution of Intraday Returns. The European Journal of Finance, 18(9), 775-797.

Diamond, D.W., & Verrecchia, R. E. (1987). Constraints on Short-selling and Asset Price Adjustments to Private Information. Journal of Financial Economics, 18(2), 277-311.

Dionne, G., Duchesne, P., & Pacurar, M. (2009). Intraday Value at Risk (IVAR) Using Tick-by-tick Data with Application to the Toronto Stock Exchange. Journal of Empirical Finance, 16(5), 777-792.

Easley, D., & O’Hara, M. (1992). Time and The Process Of Security Price Adjustment. Journal of Finance, 47(2), 577-606.

Engle, R. F., & Russell, J. R. (1998). Autoregressive Conditional Duration: A New Model for Irregularly Spaced Transaction Data. Econometrica, 66(5), 1127-1162.

Engle, R. F., (2000). The Econometrics of Ultra-high-frequency Data. Econometrica, 68(1), 1-22.

Eslami Bidgoli, G., & Khan Ahmadi, F. (2012). Risk Reduction of Portfolio based on Generalized Autoregressive Conditional Heteroscedasticity Model in Tehran Stock Exchange. Journal of financial research, 14(1), 17-30. (In Persian)

Fernandes, M., & Grammig, J. (2004). A Family of Autoregressive Conditional Duration Models. Journal of Econometrics 130(1), 1–23.

Giot, P. (2005). Market Risk Models for Intraday Data. The European Journal of Finance, 11(4), 309-324.

Glosten, L. R., & Milgrom, P. (1985). Bid, Ask, and Transaction Prices in a Specialist Market With Heterogeneously Informed Agents. Journal of Financial Economics, 14(4), 71-100.

Kupiec, P. (1995). Techniques for Verifying the Accuracy of Risk Measurement Models. The Journal of Derivatives, 3(2), 73-84.

Liu, S., & Tse, Y. K. (2015). Intraday Value-at-Risk: An Asymmetric Autoregressive Conditional duration Approach. Journal of Econometrics, 189(2), 437–446.

Tay, A. S., Ting, C., Tse, Y. K., & Warachka, M. (2011). The Impact of Transaction Duration, Volume and Direction on Price Dynamics and Volatility. Quantitative Finance, 11(3), 447-457.

Wu, Z. (2012). On the Intraday Periodicity Duration Adjustment of High-frequency Data. Journal of Empirical Finance, 19(2), 282-291.