ارائه روشی جدید برای محاسبۀ ضریب‌ریسک بازار مدل توانگری مالی صنعت بیمۀ ایران: رویکرد ARDL-GARCH

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

1 دکتری مدیریت مالی، گروه مدیریت بازرگانی، دانشکدۀ مدیریت و حسابداری، دانشگاه علامه طباطبایی (نویسنده مسئول)

2 دانشیار، دکتری مدیریت، گروه مدیریت بازرگانی، دانشکدة مدیریت و حسابداری، دانشگاه علامه طباطبایی

3 دکتری اقتصاد مالی، ادارة نظارت بر بیمه‌های زندگی، بیمة مرکزی ج.ا.ا

10.22056/jir.2020.104650

چکیده

 
هدف: هدف اصلی از تألیف این مقاله ارائۀ روشی کاراتر برای سنجش ریسک بازار شرکت‌های بیمه در مدل توانگری مالی آیین‌نامۀ شمارۀ 69 شورای عالی بیمه است. ضریب‌ریسک بازار مدل توانگری مالی با دو مسئلۀ اصلی روبه‌روست: اول آنکه در محاسبۀ این ضریب، روش‌های مختلف و کارایی آن‌ها به‌درستی بررسی نشده‌اند و دوم آنکه ضریب محاسبه‌شده برای شرایط عادی است و در محاسبۀ آن‌، آثار شوک‌های اقتصادی برای استخراج نوسان‌پذیری در شرایط بحرانی (استرس) لحاظ نشده است. لذا، هدف این پژوهش ارائۀ روش جدیدی است که در آن دو مدل خودبازگشت با وقفۀ توزیع‌شده (ARDL) و واریانس ناهمسانی خودبازگشت تعمیم‌یافته (GARCH) تلفیق شده‌اند.
روش‌شناسی: با استفاده از داده‌های آماری شاخص کل بورس اوراق بهادار تهران (TEPIX)، رشد اقتصادی، نرخ تورم و نرخ ارز، به‌صورت‌فصلی و در دورۀ 1378:4-1396:4 و با استفاده از سنجۀ ارزش در معرض ریسک (VaR)، به مدل‌سازی ریسک بازار سرمایه‌گذاری در سهام شرکت‌های بورسی اقدام کردیم. بدین‌منظور، سه روش واریانس-کوواریانس ساده، مدل AR-GARCH و مدل ARDL-EGARCH به کار برده شدند. در نهایت، با استفاده از آزمون بازخورد کوپیک، مدل ARDL-EGARCH بهترین مدل شناخته شد.
یافته‌ها: یافته‌های این مقاله نشان می‌دهد که استفاده از شیوة ارائه‌ شده در این مقاله، در برآورد ضریب‌ریسک بازار مدل توانگری، از سایر روش‌ها، کارایی بیشتری دارد.
نتیجه‌گیری: نتایج این مقاله مبین آن است که با استفاده از این مدل، ضریب‌ریسک بازار سرمایه‌گذاری در سهام شرکت‌های بورسی مدل توانگری مالی در شرایط اقتصادی عادی در حدود 39درصد و در شرایط بحرانی و استرس در حدود 86/4 درصد برآورد می‌شود.
طبقه‌بندی موضوعی: G17،  G22، G32 .






 

کلیدواژه‌ها


عنوان مقاله [English]

Introducing a New Method for Calculating the Market Risk Factor of Solvency Model of Iranian Insurance Industry: The ARDL-GARCH Approach

نویسندگان [English]

  • Reza Jafari 1
  • Nader Mazloomi 2
  • Amir Safari 3
1 PhD of Financial Management Faculty of Management and Accounting, Allameh Tabatabaei University (Corresponding Author)
2 PhD of Management, Associate Professor of Business Management Group, Faculty of Management and Accounting , Allameh Tabatabaei University
3 PhD of Financial Economics, Office for Supervision of Life Insurance Center Insurance of I.R.Iran
چکیده [English]

Objective: The main purpose of this paper was to present a more efficient method for measuring the insurance market risk of insurance companies in the model of solvency protocol No. 69 of the Supreme Council of Insurance. The market risk factors of the solvency model address two main issues: firstly, the various methods of calculating these factors and their efficiency have not been properly evaluated and secondly, these factors are for normal conditions and in calculating them, the economic shocks effects are not considered to extract volatility under stress conditions.
Methodology: We propose a new method that combines two models of Autoregressive Distributed Lags (ARDL) and Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Using the statistical data of Tehran Stock Exchange Index (TEPIX), Economic Growth, Inflation Rate and Exchange Rate in the period of 1999 to 2017 and using the Value at Risk measure (VaR), we modeled the investment market risk in stocks. Three simple variance-covariance methods, AR-GARCH and ARDL-EGARCH models were used. Finally, using the Kupiec back testing, the ARDL-EGARCH model was selected as the best model
Findings: Using the method presented in this paper, the risk factor estimation of the market risk of solvency model is more efficient than the other methods
Conclusions: Using the introduced model, the risk factor of investing in the stock market of financial corporations is 39% under normal economic conditions and 86.4% in crisis and stress conditions.
JEL Classification: G17, G22, G32.

 

کلیدواژه‌ها [English]

  • Value at Risk (VaR)
  • Solvency
  • Insurance Companies
  • Market Risk and ARDL-GARCH Model
ابراهیمی، سیدبابک، محبی، نگین (1395). پیش‌بینی ارزش در معرض ریسک وریزش موردانتظار؛ رویکرد مدلسازی داده‌های پرتناوب. فصلنامه دانش مالی تحلیل اوراق بهادار، سال نهم، 32: 50-35.
ادبی فیروزجایی، باقر، مهرآرا، محسن و محمدی، شاپور (1395). برآورد و ارزیابی ارزش در معرض ریسک بورس اوراق بهادار تهران بر مبنای روش شبیه سازی پنجره‌ای. فصلنامه تحقیقات مدلسازی اقتصادی، 23:  73-35.
اسدی، سعید، البدوی، امیر و حسین زاده کاشان، علی (1396). محاسبۀ سرمایۀ الزامی ریسک بازار در مدل توانگری مالی شرکتهای بیمه. پژوهشنامه بیمه، 3: 102-83.
اصغرپور، حسین و رضازاده، علی. (1394)، تعیین سبد بهینه سهام با استفاده از روش ارزش در معرض خطر، نظریه‌های کاربردی اقتصاد، 4: 118-93.
بیمه مرکزی ج.ا. ایران (1390)، آیین‌نامه شماره 69 شورای عالی بیمه: نحوه محاسبه و نظارت بر توانگری مالی موسسات بیمه. تهران.
پیکارجو، کامبیز، شهریار، بهنام و نورالهی، نیما. (1388)، اندازه‌گیری ریسک دارایی شرکتها و موسسات مالی با استفاده از روش ارزش در معرض ریسک، پژوهشنامه اقتصادی، 5: 221-195.
 پیکارجو، کامبیز و حسین‌پور، بدریه. (1389)، اندازه‌گیری ارزش در معرض ریسک در شرکتهای بیمه با استفاده از مدل GARCH، فصلنامه صنعت بیمه، 25(4): 33-58.
خلیلی عراقی، مریم، و امیر، یکه زارع (1389)، برآورد ریسک بازار صنایع بورس اوراق بهادار تهران بر مبنای ارزش در معرض خطر (VaR)، فصلنامه مطالعات مالی، 7: 47-72.
خیابانی، ناصر، و مریم، ساروقی (1390)، ارزشگذاری برآورد VaR بر اساس مدل‌های خانواده ARCH (مطالعه موضوعی برای بازار اوراق بهادار تهران)، فصلنامه پژوهش‌های اقتصادی ایران، 47: 53-73.
دستمردی، مصطفی، ابراهیمی، آمنه، ابراهیمی، حسن و هوری، میوه‌چی (1391)، ارزیابی عدم قطعیت اندازه‌گیری به روش مونت کارلو به همراه یک مطالعه موردی، اولین کنفرانس بین المللی مهندسی کیفیت.
کشاورز حداد، غلامرضا. (1394)، اقتصادسنجی مالی سری زمانی مالی با R، S.Plus و Eviews، تهران، انتشارات سمت.
کشاورز حداد، غلامرضا و حیدری، هادی. (1396)، رتبه‌بندی مدل‌های پارامتریک ارزش در معرض خطر با لحاظ کردن موقعیت معاملاتی سهامدار (کاربرد توابع توزیع نامتقارن در مدل‌های خانواده GARCH)، پژوهشنامه اقتصادی، 66: 151-178
سجادی، زینب و سعید، فتحی (1392)، تبیین فرایند چهار گامی محاسبه ارزش در معرض خطر به عنوان معیاری برای اندازه‌گیری ریسک و پیاده‌سازی آن در یک مدل بهینه سازی سرمایه‌گذاری، فصلنامه دانش مالی تحلیل اوراق بهادار، 20، 13-1.
شاه‌مرادی، اصغر و محمد، زنگنه (1386)، محاسبه ارزش در معرض خطر برای شاخص های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک، تحقیقات اقتصادی، 79: 149-121.
شهریار، بهنام (1395)، بازنگری مدل آیین نامه نحوه محاسبه و نظارت بر توانگری مالی موسسات بیمه (آیین نامه 69 شورای عالی بیمه)، تهران، پژوهشکده بیمه.
شهریار، بهنام (1393)، مبانی مدیریت ریسک و نظارت بر توانگری مالی در شرکتهای بیمه، تهران، پژوهشکده بیمه.
شهریار، بهنام و سید محمد مهدی، احمدی (1387)، محاسبه میزان و سهم نگهداری بهینه اتکایی در شرکت‌های بیمه با رویکرد ارزش در معرض ریسک، پژوهشنامه اقتصادی، 28: 243-223.
صفری، امیر و بهنام، شهریار (1391)، مطالعه و طراحی سیستم نظارت مالی بر موسسات بیمه ایرانی با استفاده از تجربه سایر کشورها، طرح تحقیقاتی، تهران، پژوهشکده بیمه.
قره خانی، محسن و زهرا، ماجدی (1392)، محاسبه ضرایب ریسک دارایی‌ها در توانگری مالی موسسات بیمه با استفاده از ارزش در معرض خطر، پژوهشنامه بیمه، 112: 154-127.
محمدی، شاپور، راعی، رضا و آرش، فیض‌آباد (1387)، محاسبه ارزش در معرض خطر پارامتریک با استفاده از مدلهای ناهمسانی واریانس شرطی در بورس اوراق بهادار تهران، مجله تحقیقات مالی، 25: 109-124.
Bollerslev, T. (1986), Generalized Autoregressive Conditional Hetroskedasticity, Journal of Econometrics, 31: 307-327.
Doff, R. (2006), Risk Management for Insurance Firms: A Framework for Fair Value and Economic Capital, Madrid: Universiteit Twente; PhD Thesis.
Doff, R. (2007), Risk Management for Insurers: Economic Capital, Risk control and Solvency, Madrid: Laurie Donaldson.
Enders, W. (2003), Applied Econometric Time Series, 2nd Edition, New York: Wiley.
Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica. 50(4): 987–1007
Engle, R. F. (2003), Risk and Volatility: Econometric Models and Financial Practice, Nobel Lecture Note.
Glasserma, P., Heidelberger, P. & Shahabuddin, P. (2002), Efficient Monte Carlo Methods for Value-at-Risk, IBMT, J. Watson Research Center.
Halbleib, R. & Pohlmeier, W. (2012), Improving the Value at Risk Forecasts: Theory And Evidence From the Financial Crisis, Journal of Economic Dynamics & Control, 36: 1212-1228.
Insurer Solvency Assessment Working Party. (2004), A Global Framework for Insurer Solvency Assessment, International Actuarial Association, Ottawa.
Jorion, P. (2009), Financial Risk Manager Handbook. Fifth Edition, London: John Wiley and Sons Ltd.
Mutu, S., Balogh, P. & Moldovan, D. (2011), The efficiency of value at risk models on central and eastern European stock market, International Journal of Mathematics and Computers in Simulation, 5(2): 110-117.
Ranković, V., Drenovak, M., Urosevic, B. & Jelic, R. (2016), Mean Univariate-GARCH VaR Portfolio Optimization: Actual Portfolio Approach, 5731: CESifo Group Munich.
Sandström. A. (2006), Solvency: Models, Assessment and Regulation. New York: Chapman and Hall/CRC.
Sandström. A. (2007), Handbook of Solvency for Actuaries and Risk Managers: Theory and Practice, New York: Chapman and Hall/CRC.
Lehar, A., Scheicher, M. & Schittenkopf, C. (2001), GARCH vs Stochastic Volatility: Option Pricing and Risk Management, Journal of  Banking and Finance, 26: 323-345.
Liden, j. (2018), Stock Price Predictions using a Geometric Brownian Motion, Uppsala University, Degree Project E in Financial Mathematics.
Naeem, M. (2010), A Comparison of Electricity Spot Prices Simulation Using ARMA-GARCH and Mean-Reverting Models, Lappeenranta University of Technology, Working Paper.
Umar, A. (2010), GARCH and ARDL Model of Exchange Rate: Evidence from Nigeria’s Retail Dutch Auction System, International Research Journal of Finance and Economics, Issue 49.
Woods, M. (2016), Financial Stability Models of the Irish Banking Sector: Deposit Flows and Property Price Dynamics, Maynooth University, ph.d Thesis.