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

Abstract

ریسک بازار از عدم اطمینان در خصوص بازدهی آتی دارائی‌ها در بازار نشأت می‌گیرد. امروزه معیارهای مختلفی برای بررسی انواع ریسک مرتبط با بازار، سبدهای مختلف دارائی، صنایع و ... به کار می‌روند. اما هر چند این معیارهای مختلف، اطلاعات ارزشمندی را برای فعالان بازار به همراه می‌آورند، لیکن هر یک به تنهایی نمی‌توانند 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 می‌شود، تلاشی است برای اینکه عدد معینی در خصوص ریسک بازار و یا سبد سهام به تحلیل‌گران و فعالان بازار ارائه کند.<br /> در این تحقیق از کلیه مدل‌های مبتنی بر واریانس ناهمسانی شرطی شامل GARCH، EGARCH، CGARCH، TARCH و GARCH-M و روش شبکه عصبی مصنوعی برای پیش‌بینی ارزش درمعرض خطر پرتفویی متشکل از 50 شرکت با نقدشوندگی بالا استفاده شده است. سپس نتایج به دست آمده با استفاده از آزمون‌های پوشش غیرشرطی کوپیک مورد بررسی قرار گرفت. در نهایت مدل شبکه عصبی در مقایسه با سایر روش‌های مبتنی بر واریانس ناهمسانی شرطی، عملکرد بهتری را بر اساس آزمون کوپیک داشته است.<br /> <br /> Abstract<br /> 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.<br /> 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 50 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. <br />