طراحی مدلی نوین برای اندازه‌گیری ریسک بازدهی شاخص صنعت بیمه برپایة رهیافت مارکوف

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

1 استادیار گروه علوم اقتصادی، دانشکدة مدیریت و اقتصاد، دانشگاه تربیت مدرس (نویسنده مسئول)

2 کارشناس ارشد علوم اقتصادی، دانشکدة اقتصاد، دانشگاه آزاد سلامی واحد مرکزی

10.22056/jir.2020.104648

چکیده

هدف: طراحی مدلی جامع و کاربردی برای محاسبه ریسک بازاری شاخص صنعت بیمه در بازار سهام است. هدف جانبی، آزمون رفتارپذیری شاخص مذکور از انتقالات رژیمی در دوره‌های زمانی مختلف است.
روش‌شناسی:روش مورد استفاده جهت دستیابی به هدف، بهره‌گیری از رویکرد «ارزش در معرض ریسک» با استفاده از ترکیب فرآیند رژیمی مارکوف در غالب مدل‌های خانواده GARCH می‌باشد.
یافته‌ها:نتایج تحقیق حاضر نشان می‌دهد ریسک بازدهی شاخص صنعت بیمه از انتقالات رژیمی تبعیت می‌کند و دارای هر دو اثر بازخورد و اثر اهرمی می‌باشد. همچنین رفتار رژیمی بازده این صنعت برپایه تابع توزیع t می‌باشد و با احتمالات متفاوتی بین رژیم‌ها انتقال می‌یابد.
نتیجه‌گیری: سازوکار 6 مرحله‌ای طراحی شده در این پژوهش، دارای مزایای از جمله قابلیت درنظر گرفتن انتقالات رژیمی، اثر اهرمی، اثر بازخورد بر پایه توابع توزیع متقارن و نامتقارن می‌باشد. نتیجه تحقیق نشان می‌دهد که مدل طراحی شده دارای قدرت بالاتری نسبت به مدل‌های مرسوم در اندازه‌گیری ریسک بازدهی شاخص صنعت بیمه است.
طبقه‌بندی موضوعی: F30 ،‌‌G33، K01.

کلیدواژه‌ها

عنوان مقاله [English]

A New Model for Measuring Return Risk of Insurance Industry Index Based on Markov Approach

نویسندگان [English]

  • Mehdi Zolfaghari 1
  • Fatemeh Faghihian 2
1 Assistant Professor at Department of Economics, Faculty of Management and Economics, Tarbiat Modares University (Corresponding Author)
2 Master of Science in Economics, Faculty of Economics, Esalami Azad University Central Branch
چکیده [English]

Objective: The main purpose is to design a comprehensive and practical model for calculating the market risk of the insurance industry index in the stock market. The side goal is to test the behavior of the index for regime transitions in different time periods.
Method :The approach used to achieve goals is to utilize the “Value at Risk” approach by combining the Markov regime process in body of the GARCH family models.
 Finding :‌The results of the present study show that the return risk of the insurance industry follows regime transfers and has both feedback and leverage effects. Also, the regime behavior of this industry is based on the  distribution function. Also it is transmitted between regimes with different probabilities.
Conclusion: The six-step mechanism designed in this study has advantages such as capability to consider regime transitions, leverage effect, feedback effect based on symmetric and asymmetric distribution functions. The results show that the designed model has higher power than conventional models in measuring the risk index of the insurance industry index.
 JEL Classification : F30, G33, K01

کلیدواژه‌ها [English]

  • risk
  • GARCH Family
  • Markov Chain Process
  • Insurance Industry Index

مراجع

  1. برزگر، مهدی (1394)، نقدی بر مدل‌های تک رژیمی در بازارهای مالی ایران و مروری بر رفتارهای رژیمی صنایع منتخب، پایان‌نامه کارشناسی ارشد مهندسی مالی، مدرسه کسب و کار استیونس آمریکا.
  2. خالوزاده، حمید و نسیبه امیری (1385)، تعیین سبد سهام بهینه در بازار بورس ایران بر اساس نظریه ارزش در معرض ریسک، تحقیقات اقتصادی، شمارة 73 ، صص 211-232.
  3.  ذوالفقاری، مهدی (1392)، بررسی انواع ریسک مالی و شیوه‌های مدیریت آن در بازارهای مالی: مبانی تئوریکی و مرور تجربیات کشورها، دفتر مطالعات اقتصادی وزارت صنعت، معدن و تجارت.
  4. فقیهیان، فاطمه (1394)، بررسی انتقالات رژیمی در بازارهای مالی ایران در حوزه صنایع غذایی، رساله دکترای مدیریت مالی، دانشگاه ازمیر، ترکیه.
  5. احمدزاده، عزیز (1391)، بررسی کارایی بازار بورس اوراق بهادار تهران، رساله دکترای اقتصاد، دانشکده مدیریت و اقتصاد دانشگاه تهران.
  6. شاهمرادی اصغر، زنگنه محمد (1386)، محاسبة ارزش در معرض خطر برای شاخص های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک،  تحقیقات اقتصادی، شمارة 86 ، صص 149-121.
  7. کشاورز حداد، غلامرضا و باقر صمدی(1389)، برآورد و پیشبینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر، مجله تحقیقات اقتصادی، شماره 86، صص 235-195.
  8. طفعلی، بابک (1385 )، اندازه گیری ریسک بازار با ارزش در معرض خطر برای سبد سهام در بانک صنعت و معدن، دانشکدة مدیریت و اقتصاد ، پایان نامة کارشناسی ارشد.

 

  1. Caporin, M., (2009), FIGARCH models: stationarity, estimation methods and the identification problem. GRETA Working Paper no.02.02.
  2. David Leblang, Bumba Mukherjee (2011), Presidential Elections and the Stock Market: Comparing Markov-Switching and Fractionally Integrated GARCH Models of Volatility, Political Analysis, 12:296–322.
  3.  Engel, R. (2010), The Use of ARCH/GARCH Models in Applied, Journal of Economic Perspectives, Volume 15, Number 4,Fall 2001-Pages 157- 168.
  4. Engle, R.F. and T. Bollerslev (1986), “Modeling the Persistence of Conditional Variances,” Econometric Reviews, 5, 1-50.
  5. Geetesh hardwaj, Norman R. Swanson, (2012), An empirical investigation of the usefulness of ARFIMA models for predicting macroeconomic and financial time series, Journal of Econometrics 131 539–578.
  6. Giot, P., Laurent, S., (2003), Value-at-risk for long and short trading positions. Journal of Applied Economics 18, 641–664.
  7. Hamilton, J.D. (1989) "A new approach to the economic analysis of no stationary time series and the business" economical, Volume 57, pp.357-384.
  8. Higgins, J. & Keller-McNulty, S., 1995- Concepts in Probability and Stochastic Modeling, Duxbury Press; first edition. [9]Li, W., 2007, “Markov chain random fields for estimation of categorical variables”, Mathematical Geology, Vol. 39 (3): 321-335.
  9. Guillermo Benavides, Banco de México (2010), GARCH Processes and  alue at Risk: An Empirical Analysis for Mexican Interest Rates Futures, Banking & Finance 28, 2541–2563.
  10. John. C. Hull, “Risk Management and Financial Institutions”; Prentice-Hall, 2nd edition, 2010.
  11. Mike,P.S, Yu,P. (2007), Emperical analysis of GARCH models in value at risk estimation, Journal of International Financial Markets, Institutions& Money 16:180-197.
  12. Ping-Tsung Wu a, Shwu-Jane Shieh, (2007), Value-at-Risk analysis for long-term interest rate futures:Fat-tail and long memory in return innovations, Journal of Empirical Finance 14, 248–259.
  13. Mike K. P. and Philip L. H. Yu (2008), Empirical Analysis of GARCH Models in Value at Risk Estimation, Journal of International Financial Markets, Institutions and Money, Vol. 16, pp. 180-197.
  14. Shiuyan Pong a. etal, (2007), Forecasting currency volatility: A comparison of implied volatilities and AR(FI)MA models, Journal of Banking & Finance 28 (2004) 2541–2563.
  15. Stavros Degiannakis (2010),  Forecasting Value-at-Risk (VaR) using Fractionally Integrated Models of Conditional Volatility, Department of Economics, University of Portsmouth.
  16. Thomas Luxa, Taisei Kaizoji, (2008), Forecasting volatility and volume in the Tokyo Stock Market: Long memory, fractality and regime switching, Journal of Economic Dynamics & Control 31,1808– 1843.
  17. Ta-Lun Tang,  Shwu-Jane Shieh(2010), Long memory in stock index futures markets: A value-at-risk approach, Physica A: Statistical Mechanics and its Applications,Volume 366, 437–448.
  18. Yoon, Seong-Min and Sang Hoon Kang(2009), A Skewed Student-t Value-at-Risk Approach for Long Memory Volatility Processes in Japanese Financial Markets, Journal of International Economic Studies, Vol. 11, pp. 211-242.
  19. Y. Walid, C., Chaker, A., Masood, O, Fry, J., (2013) “stock market volatility and exchange rates in emerging countries: a markov-state switching approach” journal of emerging markets review, Volume 12, pp. 272-292.
  20. Tang & Shieh, (2010) "Forecasting volatility and volume in the Tokyo Stock Market: Long memory, fractality and regime switching" Journal of Economic Dynamics & Control , Volume 31, pp.1808– 1843.

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار