فیلترینگ یک طرفه و دوطرفه ریسک با استفاده از مدل عاملی پویای تعمیم یافته در بورس اوراق بهادار تهران

مهندسی مالی و مدیریت اوراق بهادار

مقاله 2، دوره 11، شماره 44 - شماره پیاپی 3، مهر 1399، صفحه 24-43   

نوع مقاله: مقاله پژوهشی

نویسندگان

امیر سرآبادانی¹؛ علی باغانی^{* 1}؛ محسن حمیدیان¹؛ قدرت الله امام وردی²؛ نوروز نوراله زاده¹

¹گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

²گروه اقتصاد نظری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

چکیده
برآورد ریسک بدون در نظر گرفتن عوامل مرتبط و فقط با تمرکز بر روی چند سری معادلات، پیش‌بینی‌های غیرمعمولی را ایجاد می‌کند. در این مطالعه از اطلاعات یک صفحه بزرگ‌سری‌های زمانی و روشی جدید برای برآورد ریسک استفاده نمودیم. این برآورد با استفاده از بازده داده‌های روزانه سری زمانی 25 شاخص‌ مختلف بورس اوراق بهادار تهران در بازه ده‌ساله از 1387 الی 1397 بر اساس یک مدل عاملی پویای تعمیم‌یافته (GDFM) انجام شد. ابتدا با استفاده از مدل عاملی پویای توسعه‌یافته توسط فورنی و همکاران نسبت به تعیین تعداد عوامل استاتیک و دینامیک مدل عاملی اقدام نموده و در ادامه نوسانات جزء مشترک سری‌های تحت مطالعه را با کمک نرم‌افزار MATLAB فیلتر نموده و به‌عنوان ریسک بورس اوراق بهادار تهران برآورد نمودیم. در ادامه از روش حداقل مربعات تعمیم‌یافته (GLS)، تأثیر ریسک‌های فیلتر شده را بر روی بازده شاخص کل بورس موردبررسی قراردادیم. نتایج نشان داد اگر چه ریسکهای برآورد شده از طریق فیلترینگ یک‌طرفه و فیلترینگ دوطرفه به‌صورت معنی‌داری تغییرات بازده شاخص کل بورس موردمطالعه را توضیح می‌دهند، اما ریسک برآورد شده از طریق فیلتر دوطرفه با استفاده از مدل عاملی پویای تعمیم‌یافته، تغییرات بازده را بسیار بهتر از فیلتر یک‌طرفه با استفاده از همان مدل توضیح می‌دهد.

کلیدواژه‌ها

فیلترینگ یک‌طرفه و دوطرفه ریسک؛ مدل عاملی پویای تعمیم‌یافته؛ جزء ویژه سری‌های زمانی؛ جزء مشترک سری‌های زمانی

مراجع

1. پورباباگل، حمزه، نیری، محمد حسین. (1393). کاربرد تحلیل عاملی در مدل ترکیبی DEA فازی با مدل مارکوویتز در تعیین پرتفویی از کاراترین شرکت‌ها در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار، 7(24), 117-145.
2. دمیرچی ؛ فاطمه. (۱۳89) . بهینه سازی سبد سرمایه گذاری با استفاده از معیار ارزش در معرض ریسک شرطی (CVaR) در بورس اوراق بهادار تهران.  پایان نامه کارشناسی ارشد مدیریت بازرگانی گرایش مدیریت مالی، دانشگاه الزهرا، چاپ نشده.
3. رهنمای رود پشتی؛ فریدون،قندهاری ؛ شراره. (۱۳۹4) .  برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران، فصلنامه علمی پژوهش  مهندسی مالی و مدیریت اوراق بهادار، دوره 6، شماره 24 .
4. مختارزاده, نیما, کرامت, شاپور. (1394). ارائه مدلی برای تحلیل ریسک اتحادهای راهبردی و فناورانه.مدیریت نوآوری, دوره 4 شماره3. ص119-140.
5. نیکومرام, هاشم و زمردیان, غلامرضا. (۱۳93). بررسی توان تبیین مدل های شبکه عصبی درسنجش میزان ارزش در معرض خطر.مهندسی مالی و مدیریت اوراق بهادار, 5(19), 19-38.‎

 

6. Barigozzi, M., & Hallin, M. (2017). Generalized dynamic factor models and volatilities: estimation and forecasting. Journal of Econometrics, 201(2), 307-321.
7. Chulia, H., Guillen, M., & Uribe, J. M. (2016). Modeling longevity risk with generalized dynamic factor models and vine-copulae. ASTIN Bulletin: The Journal of the IAA, 46(1), 165-190.
8. Chuliá, H., Guillén, M., & Uribe, J. M. (2017). Measuring uncertainty in the stock market. International Review of Economics & Finance, 48, 18-33.
9. Forni, M., & Lippi, M. (2001). The generalized dynamic factor model: representation theory. Econometric theory, 17(6), 1113-1141.
10. Forni, M., & Reichlin, L. (1998). Let's get real: a factor analytical approach to disaggregated business cycle dynamics. The Review of Economic Studies, 65(3), 453-473.
11. Forni, M., Hallin, M., Lippi, M., & Reichlin, L. (2000). The generalized dynamic-factor model: Identification and estimation. Review of Economics and statistics, 82(4), 540-554.
12. Forni, M., Hallin, M., Lippi, M., & Reichlin, L. (2004). The generalized dynamic factor model consistency and rates. Journal of Econometrics, 119(2), 231-255.
13. Forni, M., Hallin, M., Lippi, M., & Reichlin, L. (2005). The generalized dynamic factor model: one-sided estimation and forecasting. Journal of the American Statistical Association, 100(471), 830-840.
14. Forni, M., Hallin, M., Lippi, M., & Zaffaroni, P. (2015). Dynamic factor models with infinite-dimensional factor spaces: One-sided representations. Journal of econometrics, 185(2), 359-371.
15. Gao, Q., & Hu, C. (2009). Dynamic mortality factor model with conditional heteroskedasticity. Insurance: Mathematics and Economics, 45(3), 410-423.
16. Gkillas, K., Tsagkanos, A., & Vortelinos, D. I. (2019). Integration and risk contagion in financial crises: Evidence from international stock markets. Journal of Business Research, 104, 350-365.
17. Hallin, M., & Liška, R. (2007). Determining the number of factors in the general dynamic factor model. Journal of the American Statistical Association, 102(478), 603-617.
18. Hallin, M., Mathias, C., Pirotte, H., & Veredas, D. (2011). Market liquidity as dynamic factors. Journal of econometrics, 163(1), 42-50.
19. Jin, X., & De Simone, F. D. A. N. (2014). Banking systemic vulnerabilities: A tail-risk dynamic CIMDO approach. Journal of Financial Stability, 14, 81-101.
20. Nieuwenhuyze, C. V. (2005). A Generalized Dynamic Factor Model for the Belgian Economy. Journal of Business Cycle Measurement and Analysis, 2005(2), 213-247.
21. Nieuwenhuyze, C. V. (2006). A generalised dynamic factor model for the Belgian economy-Useful business cycle indicators and GDP growth forecasts. National Bank of Belgium Working Paper, (80).
22. Sargent, T. J., & Sims, C. A. (1977). Business cycle modeling without pretending to have too much a priori economic theory. New methods in business cycle research, 1, 145-168.
23. Stock, J.H., and M.W. Watson (2002b), “Macroeconomic Forecasting Using Diffusion Indexes,” Journal of Business and Economic Statistics, 20, 147-162.
24. Stock, J.H., and M.W. Watson, (2002a), “Forecasting Using Principal Components from a Large Number of Predictors,” Journal of the American Statistical Association, 97, 1167-1179.
25. Stock, J.H., and M.W. Watson. (2011). Dynamic factor models. Oxford handbook on economic forecasting, 2011.