پیمان بازل III مستلزم آن است که بانک ها و دیگر موسسات سپرده گذاری مجاز (ADIs) پیش بینی ریسک روزانه خود را با مقامات پولی مربوطه در آغاز هر روز تجاری با استفاده از طیف وسیعی از مدل های ریسک مالی جایگزین به منظور پیش بینی ارزش در معرض ریسک (VaR) در میان بگذارند.
برآوردهای ریسک بر اساس این مدل به منظور تعیین مخارج سرمایه ای روزانه (DCC) و هزینه های سرمایه ای مربوط به موسسات سپرده گذاری مجاز (ADIS) مورد استفاده قرار می گیرند که تا حدی به تعداد تخلفات گذشته بستگی دارند که به موجب آن، ضرر و زیان وارده بیشتر از میزان برآورد ارزش در معرض ریسک (VaR) خواهد بود (برای کسب اطلاعات بیشتر به عنوان مثال به چانگ و همکاران، 2011 مراجعه نمایید).
در سال 1993 میلادی بورس اختیار معاملات انجمن شیکاگو[1] (CBOE) به معرفی شاخص نوسانات[2]، VIX (ویلی، 1993) پرداختند که در اصل برای اندازه گیری انتظارات بازار از نوسانات 30 روزه طراحی شده است که به قیمت های اختیار معامله S&P100 به قیمت بازار دلالت دارد. در سال 2003 میلادی، همراه با گلدمن ساکس، CBOE شاخص نوسانات (VIX) را به منظور انعکاس روش جدیدی جهت ارزیابی نوسانات مورد انتظار به روزرسانی نمودند تا هم چنان به صورت گسترده ای توسط نظریه پردازان مالی مورد استفاده قرار گیرد.
شاخص نوسانات (VIX) جدید مبتنی بر شاخص S&P500 می باشند و نوسانات مورد انتظار را بر اساس میانگین گیری قیمت های وزنی خرید و فروش سهام[3] S&P500 در طیف گسترده ای از قیمت های توافقی[4] برآورد می نماید. اگر چه بسیاری از شرکت کنندگان در بازار این شاخص را به عنوان یک شاخص پیش بینی کننده مناسبی برای نوسانات کوتاه مدت، یعنی روزانه و یا یک روزه در نظر می گیرند اما این شاخص چندین سال برای بازار طول می کشد تا به معرفی محصولات نوسانات بپردازد که با محصولات خارج از بورس مانند سواپ یا معاوضه واریانس و سایر مشتقات مالی آغاز می گردد.
محصول قابل معامله در بورس نخست، آینده شاخص نوسانات (VIX)، در مارس سال 2004 میلادی معرفی شد و با گزینه ها یا اختیار شاخص نوسانات (VIX) در فوریه سال 2006 میلادی ادامه یافت. هر دو این مشتقات نوسانات مبتنی بر شاخص نوسانات (VIX) به عنوان دارایی زیربنایی هستند.
مک آلیر و همکاران (2013a,b,c) بر اساس یک دیدگاه کاربردی به تجزیه و تحلیل چگونگی اجرای استراتژی های جدید مدیریت ریسک بازار در خلال بحران مالی جهانی (GFC) در سال های بین 2008 و 2009 میلادی پرداختند و نحوه تاثیرگذاری بحران مالی جهانی (GFC) را بر بهترین شیوه های مدیریت ریسک مورد ارزیابی قرار دادند. این مقالات به تعریف مدیریت ریسک بر حسب انتخاب اهداف مالی مناسب، بر اساس انواع مدل های ریسک مالی پرداخته و در مورد انتخاب مدل های ریسک مطلوب بحث و گفتگو نمودند. آن ها با استفاده از ده مدل نوسانات مشروط تک متغیره و با توزیع خطای متفاوت به پیش بینی ارزش در معرض ریسک (VaR) پرداختند.
افزون بر این، آن ها به تجزیه و تحلیل دوازده استراتژی جدید مبتنی بر ترکیب پیش بینی های مدل تک متغیره استاندارد قبلی ارزش در معرض ریسک (VaR) پرداخته اند که عبارتند از: کران زیرین[5] (صدک صفرم)، کران بالایی[6] (صدک صدم)، متوسط، میانه و نُه استراتژی دیگر مبتنی بر 10 درصد تا 90 درصد. چنین رویکردی برای انتخاب یک پیش بینی ارزش در معرض ریسک (VaR) قدرتمندی، صرف نظر از مدت زمان در نظر گرفته شده است که مخارج سرمایه ای روزانه معقول و تعداد جرایم تخلفات را تحت پیمان بازل II ارائه می نماید.
آن ها دریافتند که میانه یک استراتژی قدرتمند بحران مالی جهانی (GFC) محسوب می شود به این معنا که حفظ همان استراتژی مدیریت ریسک پیش از بحران مالی جهانی (GFC)، در خلال و پس از آن، منجر به مخارج سرمایه ای روزانه نسبتاً پایین و جرایم تخلفات تحت پیمان بازل II می گردد. چانگ و همکاران (2011) روش شناسی مشابهی را برای انتخاب بهترین استراتژی به منظور پیش بینی ارزش در معرض ریسک (VaR) برای یک پرتفوی مبتنی آینده شاخص نوسانات (VIX) به کار بردند.
این روش های سابق بر گشتاور اولیه و یا چندک های خاصی از توزیع مخارج سرمایه ای روزانه (DCC) تمرکز می کنند. معیارهای جایگزین ممکن است موازنه واریانس میانگین را در حوزه های مهم تحقیقات مالی، و یا معیارهای ارزیابی کلی را در نظر بگیرد که گشتاورها و چندک های بالاتر توزیع احتمالات زیربنایی را با هم تلفیق می نماید. این موارد همگی رتبه بندی مدل ها و استراتژی های مناسب ”کاردینال یا اصلی” و ”کامل” را فراهم خواهد نمود که مبتنی بر ارزشیابی های ذهنی جنبه های مختلف، و یا بخش هایی از توزیع مخارج سرمایه ای روزانه (DCC) هستند.
به عنوان مثال، مخارج سرمایه ای روزانه (DCC) یک متغیره گاوسی باشد، ارزیابی واریانس میانگین به شدت توجیه خواهد شد. با این حال احتمالاً این گونه نخواهد بود و اجماع در زمینه سنجش و ارزیابی مناسب توابع توزیع غیر گاوسی دشوار خواهد بود. شایان ذکر است که ارزیابی نوع واریانس میانگین با ملاحظات مشترک تابع ریسک درجه دوم، و هم چنین خصوصیات کامل مورد گاوسی بر اساس گشتاور دوم توجیه می شود. با فقدان شرایط گاوسی، توجیه یک تابع ضرر و زیان درجه دوم را سوال برانگیز خواهد نمود. چرا ما نگران گشتاورهای بالاتر (زمانی که آن ها وجود داشته باشد)، و رفتار منطقه دنباله غالباً نامتقارن، به ویژه هنگامی که توابع دنباله ای مانند ارزش در معرض ریسک (VaR) مد نظر هستند، نمی باشیم؟
یک جایگزین مکمل قدرتمند، پیگیری رتبه بندی یکنواخت ضعیف در طی کل کلاس های توابع ارزیابی، و بر اساس توزیع غیر پارامتری مخارج سرمایه ای روزانه (DCC) می باشد. در این رابطه، آزمون های تسلط تصادفی(SD) به منظور آزمودن رتبه بندی چشم اندازهای معنی دار از نظر آماری توسعه یافته اند. با فرض این که F و G به ترتیب توابع توزیع مخارج سرمایه ای روزانه (DCC) تولید شده توسط مدل 1 و 2 باشند، مدل 2 تسلط تصادفی (SD) درجه اول مدل 1، در حمایت از مخارج سرمایه ای روزانه (DCC) خواهد بود، اگر و فقط اگر (DCC) G ≤ (DCC) F، با نابرابری شدید در برخی از مقادیر مخارج سرمایه ای روزانه (DCC).
این امر بدان معناست که مدلی که G را که تولید می کند بر همه توابع ارزیابی صرفاً افزایشی غالب است چرا که در تمام چندک ها، احتمال اینکه مخارج سرمایه ای تحت G کوچک تر باشند بزرگ تر از موقعی است که مخارج سرمایه ای تحت F باشند. به طور خاص، توزیع F میانه مخارج سرمایه ای روزانه (DCC) بالاتری از G خواهد داشت.
به همین ترتیب، هر (چندک) صدک از توزیع F در سطح مخارج سرمایه ای روزانه (DCC) بالاتری از صدک های متناظر با توزیع G خواهند بود. در نتیجه، مدل 2 نسبت به مدل 1 با توجه به درجه اطمینان آماری بر مبنای مخارج سرمایه ای پایین تر ترجیح داده خواهد شد. رتبه بندی های تسلط تصادفی (SD) با مرتبه بالاتر مرجع کلاس های فرعی بیشتر توابع ارزیابی، افزایشی و مقعر هستند که منعکس کننده افزایش ریسک گریزی می باشند (بخش 5 – 4 را در زیر مشاهده نمایید).
در این مقاله ما به بررسی چندین مدل استاندارد برای پیش بینی ارزش در معرض ریسک (VaR) از جمله GARCH، EGARCH، و GJR، ممزوج با توزیع های گاوسی و t – استیودنت پرداختیم. نتایج نشان می دهند که توزیع گاوسی در پیش بینی مخارج سرمایه ای روزانه (DCC) بر توزیع t – استیودنت ارجح است. با توجه به توزیع t – استیودنت، مدل EGARCH احتمال بیشتری از مخارج سرمایه ای روزانه (DCC) بالاتر را در مقایسه با GARCH و GJR ارائه می کند.
با استفاده از توزیع گاوسی پیش بینی مخارج سرمایه ای روزانه (DCC) منجر به تسلط تصادفی درجه اول و یا درجه دوم نمی شود. در رابطه با CDF و CDF یکپارچه، مبنای آزمون تسلط تصادفی درجه اول و درجه دوم، به نظر می رسد که مخارج سرمایه ای روزانه (DCC) مورد انتظار بالاتر GJR و یا GARCH ممکن است با ریسک کمتری در مقایسه با EGARCH جبران شود.
باقیمانده مقاله به شرح زیر سازماندهی شده است. بخش 2 به توصیف اجمالی از پیمان بازل II برای محاسبه مخارج سرمایه ای روزانه پرداخته است. بخش 3 به مدل های GARCH جایگزین برای تولید مخارج سرمایه ای روزانه می پردازد. در بخش 4 تعریف، نشانگذاری و خواص تسلط تصادفی ارائه شده است.
بخش 5 به معرفی داده ها، توصیف روش خودگردان سازی بلوکی[7] برای شبیه سازی سری های زمانی می پردازد و کاربرد تسلط تصادفی را به منظور ارتقاء استراتژی های مدیریت ریسک مالی بانک ها نشان می دهد. بخش 6 نتایج اصلی را عرضه می دارد. بخش 7 نیز به ارائه برخی از نظرات پایانی می پردازد.
[2] volatility index
[3] puts and calls
[4] strike price
[5] infimum
[6] supremum
[7] block bootstrapping
Fatal error: Uncaught Error: Object of class WP_Error could not be converted to string in /home/maghalej/public_html/wp-content/themes/flatsome-child/woocommerce/single-product/tabs/sections.php:113 Stack trace: #0 /home/maghalej/public_html/wp-includes/template.php(792): require() #1 /home/maghalej/public_html/wp-content/plugins/woocommerce/includes/wc-core-functions.php(284): load_template('/home/maghalej/...', false) #2 /home/maghalej/public_html/wp-content/themes/flatsome/woocommerce/single-product/tabs/tabs.php(24): wc_get_template_part('single-product/...') #3 /home/maghalej/public_html/wp-content/plugins/woocommerce/includes/wc-core-functions.php(345): include('/home/maghalej/...') #4 /home/maghalej/public_html/wp-content/plugins/woocommerce/includes/wc-template-functions.php(1632): wc_get_template('single-product/...') #5 /home/maghalej/public_html/wp-includes/class-wp-hook.php(324): woocommerce_output_product_data_tabs('') #6 /home/maghalej/public_html/wp-includes/class-wp-hook.php(348): WP_Hook->apply_filters('' in /home/maghalej/public_html/wp-content/themes/flatsome-child/woocommerce/single-product/tabs/sections.php on line 113