Tail Risk in Bank Sector Using Realized measures and Dynamic Asymmetric Models Abstract

Document Type : Original Article

Authors
esmail mohammadi salari 1
reza Gholami Jamkarani 2
Mohammad Reza Rostami 3
Mojgan safa 2
1 Departments of Financial Management, Qom branch, Islamic azad university, Qom, Iran
2 Department of Accounting, Qom branch, Islamic azad university, Qom, Iran
3 Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran
10.30495/jik.2025.23531
Abstract
In this research, an attempt is made to assess tail risk measures (VaR and ES) in bank sector using dynamic realized conditioned autoregressive value at risk model (Realized-ES-CAViaR-Add-RV-SAV). In this regard, daily and intra-daily (hourly) data in the period 2014/06/25 until 2021/06/08 has been used. Using backtesting tools such as Bin, POF, TUFF, CC, CCI, VRate tests, Lopez loss function (LL) (in VaR part) and McNeil and Frey test and ranking according to MCS method in The ES part, the efficiency of the model are examined and compared with the results of ES-CAViaR-SAV and ES-CAViaR-AS models. The results of this study indicate the efficiency of all three models in forecasting the tail risk measures. In addition, the results show that the use of realized measures increases the tail risk forecasting efficiency.
Keywords
Value at Risk (VaR)
Expected Shortfall (VaR)
realized measures
Dynamic Models
Bank Sector Index
  • باستان زاد، حسین، داودی، پدرام. بررسی سازوکار انتقال ریسک بین بازارهای ارز، مسکن و سهام اقتصاد ایران (با استفاده از رویکرد پارامتریک و ناپارامتریک ارزش در معرض خطر). مدیریت دارایی و تأمین مالی، زمستان ۱۳۹۶، شماره ۴، ۳۳-۵۰.
  • بت‌شکن، محمد هاشم؛ پیمانی، مسلم و صدرالدین کرمی، محمد مسعود، برآورد و ارزیابی ارزش در معرض ریسک و ریزش مورد انتظار ناپارامتریک بر مبنای تحلیل مؤلفه‌های اساسی در بورس اوراق بهادار تهران، چشم‌انداز مدیریت مالی، زمستان ۱۳۹۷، شماره ۲۴، 79-102.
  • دهقان منشادی، سمانه و عبدالرحیمیان، محمدحسین، کاربرد ارزش در معرض خطر تفاضلی (IVaR)، در محاسبه ریسک سبد سرمایه‌گذاری با استفاده از رویکرد پیشین و پسین. اندیشه مدیریت راهبردی، زمستان 1396، شماره ۲.
  • روشن، محمد و بابک تصاعدیان (1386).بانکداری خارجی 2. انتشارات جنگل با همکاری دانشگاه آزاد اسلامی. چاپ اول.
  • فلاح‌پور، س.، و طبسی، ح. (1399). برآورد ریزش مورد انتظار بر اساس نظریه ارزش فرین شرطی با استفاده از مدل مولتی فرکتال و داده‌های درون روزانه در بورس اوراق بهادار تهران. تحقیقات مالی،22(1)، 27-43.
  • کاشی، منصور، حسینی، سید حسن، قلیلو، محمد موسی، گلکاریان آرانی، سعید. (۱۳۹۶). محاسبه ارزش در معرض ریسک و ریزش مورد انتظار بر اساس نظریه مقدار حدی: شواهدی از بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار، پاییز 1396، شماره 32، ۲۶۹-۲۹۴.
  • گیلانی پور جواد. (۱۳۹۸). ارزیابی ریسک سیستمی در شبکه بانکی ایران توسط معیار ریزش مورد انتظار نهائی. فصلنامه پژوهش‌ها سیاست‌های اقتصادی. ۲۷ (۹۲):۴۰۷-۴۲۹.
  • Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885–905.
  • Artzner, P, F Delbaen, J M Eber and D Heath, (1999), Coherent measures of risk, Mathematical Finance, Vol 9, No 3, pp 203-28.
  • Bu, D., Liao, Y. , Shi ,J., & Peng , H. (2019). Dynamic expected shortfall: A spectral decomposition of tail risk across time horizons. Journal of Economic Dynamics & Control, 108 (2019) 103753.
  • Engle, R.F. and S. Manganelli. (2004a), CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles, Journal of Business & Economic Statistics, 22, 367-381.
  • Fissler, T., and J. F. Ziegel. (2016), Higher order elicitability and Osband.s principle, Annals of Statistics, 44(4), 1680-1707.
  • Gneiting, T. (2011). Making and evaluating point forecasts. Journal of the American Statistical Association, 106(494), 746–762.
  • Granger C, Sin C (2000) Modelling the absolute returns of different stock market indices: exploring the forecastability of an alternative measure of risk. J Forecast 19: 277.
  • Hallin, Marc & Trucíos, Carlos. (2020). Forecasting Value-at-Risk and Expected Shortfall in Large Portfolios: a General Dynamic Factor Model Approach. 10.13140/RG.2.2.27703.55205.
  • Hansen, P. R., Huang, Z., & Shek, H. H. (2012). Realized GARCH: a joint model for returns and realized measures of volatility. Journal of Applied Econometrics, 27(6), 877–906.
  • Hansen, P., Lunde, A. & Nason, J. (2011). The model confidence set. Econometrica, 79 (2), 453-497.
  • McNeil, A. J., & Frey, R. (2000). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Journal of empirical finance, 7(3), 271-300.
  • Olsen, N.N. (2015). The Application of Historical Simulation in Expected Shortfall Prediction: An Empirical Analysis of Risk Models’ Forecasting Accuracy. Thesis for Master of Science in Finance, School of Business and Social Sciences Aarhus University.
  • Patton, A.J. , Ziegel, J.F. , Chen, R. (2019). Dynamic semiparametric models for expected shortfall (and Value-at-Risk). J. Econom. 211 (2), 388–413
  • Gerlach and C. Wang, (2019), Semi-parametric dynamic asymmetric Laplace models for tail risk forecasting, incorporating realized measures. International Journal of Forecasting.
  • Seyfi, S.M., Sharifi, A., Arian, H. (2021). Portfolio Value-at-Risk and expected-shortfall using an efficient simulation approach based on Gaussian Mixture Model. Mathematics and Computers in Simulation. https://doi.org/10.1016/j.matcom.2021.05.029.
  • Taylor S (1987) Forecasting of the volatility of currency exchange rates. Int J Forecast 3:
  • Taylor, J. W. (2019). Forecasting value at risk and expected shortfall using a semiparametric approach based on the asymmetric Laplace distribution. Journal of Business & Economic Statistics, 37(1), 121–133.