Investigating the comparative power of dynamic and static models based on value at risk (VAR) in selecting optimal efficient portfolios based on adverse risk in the Tehran Stock Exchange

Document Type : Original Article

Authors
Mohammad Hosein ghasemi 1
yahya abtahi 2
hamid khajeh mahmoudabadi 3
Gholam reza Askar zadeh 3
1 PhD. Student in Financial Engineering, Department of Financial Management, Yazd Branch, Islamic Azad University, Yazd, Iran.
2 Assistant Prof. Department of Economic, Yazd Branch, Islamic Azad University, Yazd, Iran
3 Assistant Prof. Department of Financial Management, Yazd Branch, Islamic Azad University, Yazd, Iran,
10.22034/jik.2025.78206.4663
Abstract
The main objective of the present study is to investigate the comparative power of dynamic and static models based on value at risk (VaR) in selecting an optimal efficient portfolio based on adverse risk in the stock exchange. The study is a descriptive, applied, and post-event research. The statistical population available for this study includes all companies listed on the Tehran Stock Exchange between 1395 and 1400. Therefore, the research sample or sampling method is census and the entire statistical population is considered as a sample. The index of the top 50 companies is also used to strengthen the model. To estimate the value at risk of the case, data from the total price index and the index of the top 50 active companies between 1395 and 1400 are used. In this study, first, for the selected companies, the adverse risk was calculated using the value at risk VaR in the form of static and dynamic methods. In data analysis, price data under two total indices and the index of top 50 companies were taken from Tehran Stock Exchange Technology Management Company in an adjusted form and logarithm was used to convert price to return and Matlab, OxMetrixs and R software were used to analyze the data. According to the results obtained from the present study, it can be said that the adverse risk criterion is more reliable and valuable than the mean variance criterion in assessing the risk of portfolio optimization.
  • بهرامی، میرزاپوز باباجان، جاوید، اکبر(1391)، نسبت بهینه پوشش ریسک در قراردادهای آتی سکه بهارآزادی مورد معامله در بورس کالای ایران، فصلنامه پژوهش­ها و سیاست­های اقتصادی، صص175-206.
  • پورحیدری، امید(1389)، بررسی عوامل تعیین کننده تغییرات قیمت سهام در بورس اوراق بهادار تهران، صص23-40.
  • پور حیدری، اخلاقی یزدی­نژاد، امید، اسماعیل(1388)، بررسی روش­های پیشرفته ارزیابی تحلیل ریسک وتحلیل تورم در پروژه­های بلندمدت، پژوهشنامه اقتصادی، صص37-56.
  • ثقفی، فلاح شمس، ناصرپور، علی، میرفیض، علیرضا(1397)، بررسی تفاوت وجه تضمین موقعیت­های تعهدی خرید و فروش قراردادهای آتی با استفاده از سنجه­های ریسک، فصلنامه علمی-پژوهشی مدیریت ریسک دارایی و تامین مالی،صص15-28.
  • حیدری، هادی(1393)، رتبه­بندی مدل­های ارزش در معرض ریسک و کاهش هزینه­های فرصت الزام سرمایه، فصلنامه پژوهش­های پولی-بانکی، صص477-505.
  • دولو،صدری­نیا، مریم، مصطفی(1396)، ریسک نامتقارن و یازده موردانتظار، تحقیقات حسابداری و حسابرسی، صص97-114.
  • سارنج، نوراحمدی، علیرضا، مرضیه(1396)، رتبه­بندی آماری مدل­های مختلف ارزش در معرض ریسک و ریزش موردانتظار با استفاده از رویکرد مجموعه اطمینان مدل(MCS)برای صنعت بانکداری، مجله مهندسی مالی و مدیریت اوراق بهادار،ش30،صص131-146.
  • شمس، ناجی زواره، شهاب­الدین، مرضیه(1394)، بررسی مقایسه­ای بین مدل ترکیبی سیستم ژنتیک فازی-عصبی خودسازمانده و مدل خطی در پیش­­بینی قیمت توافقی قراردادهای آتی سکه طلا، صص239-258.
  • شهیکی­تاش، اعزازی، بیمرغ، محمد­نبی، محمداسماعیل، لیلا(1392)، محاسبه ارزش در معرض ریسک(VAR) در بازار بورس اوراق بهادار تهران، فصلنامه تحقیقات توسعه اقتصادی، صص51-70.
  • صابری، اسفندیارپور، نوروزی، مریم، مهدیه، محمد(1396)، تاثیر متغیرهای حسابداری محرک ریسک بر بازده غیرمتعارف سهام شرکت­های پذیرفته شده در بررسی اوراق بهادار تهران، پژوهش­های تجربی حسابداری، صص171-189.
  • طالبلو، رحمانیانی، رضا، مولود(1394)، اندازه­گیری عملکرد سبد سهام با استفاده از شاخص ریسک آومان-سرانو: مطالعه موردی شرکت­های منتخب فعال در بورس اوراق بهادار تهران، فصلنامه پژوهش­های اقتصادی ایران، صص117-150.
  • عباسی، تیمورپور، مولائی، اسماعیلی، ابراهیم، بابک، عارفه، زهرا(1396)، کاربرد معیار ریسک در معرض ریسک شرطی در بهینه­سازی پرتفوی با رویکرد شکست ساختاری در بازار بورس اوراق بهادار تهران، صص85-103.
  • عرب­زاده، فروغی، امیری، میثم، داریوش، هادی(1397)، تبیین ناهنجاری اقلام تعهدی با استفاده از مدل قیمت­گذاری چند عاملی در بورس اوراق بهادار تهران، فصلنامه تحقیقات مالی، صص305-326.

·         علیپور، عزیز زاده، منطقی، شیرین، فاطمه، خسرو (1397)، مدل‌سازی بازده مالی با استفاده از مدل "مارکوف ترکیبی متغیر بازمان نرمال-گارچ، دانش مالی تحلیل اوراق بهادار،  شماره 37، 1397، صص 91-102.

  • کمالی، هاشمی، فروغی، احسان، سیدعباس، داریوش(1395)، ارزیابی و مقایسه توان مدل­های مبتنی بر شاخص­های حسابداری ریسک و بتای پاداشی در پیش­بینی بازده سهام، پژوهش­های حسابداری مالی و حسابرسی، صص99-118.
  • گودرزی، امیری، میلاد، بهزاد(1392)، ارائه مدلی برای شناسایی عوامل موثر بر قیمت آتی سکه به روش شبکه عصبی مصنوعی و مقایسه آن با مدل­های رگرسیونی، مجله مهندسی مالی و مدیریت اوراق بهادار، ش15، صص17-33.
  • منصورفر، پیری، ضیائی،غلام­رضا، پرویز، ضیائی(1394)، مدل­سازی رفتار نوسانات بازده شرکت­های بورس اوراق بهادار تهران با به کارگیری رهیافت تحلیل عامل، مجله پیشرفت­های حسابداری دانشگاه شیراز، صص167-202.
  • مولائی، شیخ، خدامرادی، مسعود، محمدجواد، سعید(1390)، بهینه­سازی الگوهای مدیریت ریسک مارکویتز در معرض ریسک و ارزش در معرض ریسک احتمالی پارامتریک با استفاده از الگوریتم­های محلی و سراسری در بورس اوراق بهادار تهران، صص67-95.
  • نوروزبگی، ثقفی، مرادزاده فرد، ابراهیم، علی، مهدی،اندازه­گیری ریسک مبتنی بر متغیرهای بنیادی و بررسی رابطه آن با صرف ریسک و بازده سهام، پروتال جامع علوم انسانی، صص 1-23.
  • نادمی، ابونوری، علمی، یونس، اسمعیل، زهرا (1394)، ارائه یک الگوی هشدار پیش از وقوع نوسانات شدید در بازار سهام تهران: رویکرد مارکوف سوئیچینگ گارچ، دانش مالی تحلیل اوراق بهادار، ش28، صص 27-40.
  • نظیفی­نایینی؛ فتاحی؛ صمدی، مینو، شهرام، سعید (1391)، مدل­سازی و پیش بینی نوسانات بازار سهام با استفاده از مدل انتقالی گارچ مارکف، تحقیقات مدل­سازی اقتصادی، ش9 – صص 117- 141.
  • همایون، محمدی، کشتکار، اسداله، حمید، رسول(1389)، ارزیابی مدل­های پیش­بینی شاخص­های بازار بورس ایران، فصلنامه پژوهش­ها و سیاست­های اقتصادی، صص 95-112.
  • Engle, R. F., & Sheppard, K. (2001). Theoretical and empirical properties of dynamic conditional correlation multivariate GARCH (No. w8554). National Bureau of Economic Research.
  • Michell, K. V., and Kristjanpolleri, W, R,. (2018).,  A Stock Market Risk Forecasting model through integration of switching regime, ANFIS and GARCH techniques, Appied Soft Computing, S1568-4946(18)30114-5.
  • Adhikari, R., &Agrawal, R. K. (2014). A combination of artificial neural network and random walk models for financial time series forecasting. Neural Computing and Applications, 24(6), 1441-1449.
  • Wei, L. Y., Cheng, C. H., & Wu, H. H. (2014). A hybrid ANFIS based on n-period moving average model to forecast TAIEX stock. Applied Soft Computing, 19, 86-92.
  • Ahmadifard, M., Sadenejad, F., Mohammadi, I., &Aramesh, K. (2013). Forecasting stock market return using ANFIS: the case of Tehran Stock Exchange. International Journal of Advanced Studies in Humanities and Social Science, 1(5), 452-459.
  • Engle, R. F., Ghysels, E., &Sohn, B. (2013). Stock market volatility and macroeconomic fundamentals. Review of Economics and Statistics, 95(3), 776-797.
  • Corradi, V., Distaso, W., &Mele, A. (2013).Macroeconomic determinants of stock volatility and volatility premiums. Journal of Monetary Economics, 60(2), 203-220.
  • Sadorsky, P. (2014). Modeling volatility and correlations between emerging market stock prices and the prices of copper, oil and wheat. Energy Economics, 43, 72-81.
  • Choi, K., &Hammoudeh, S. (2010). Volatility behavior of oil, industrial commodity and stock markets in a regime-switching environment. Energy Policy, 38(8), 43884399.
  • Walid, C., Chaker, A., Masood, O., & Fry, J. (2011). Stock market volatility and exchange rates in emerging countries: A Markov-state switching approach. Emerging Markets Review, 12(3), 272-292.
  • Dixit, G., Roy, D., &Uppal, N. (2013). Predicting India Volatility Index: An
  • Application of Artificial Neural Network. International Journal of Computer Applications, 70(4).
  • Mantri, J. K., Gahan, P., &Nayak, B. B. (2014). Artificial neural networks—an application to stock market volatility. Soft-Computing in Capital Market: Research and Methods of Computational Finance for Measuring Risk of Financial Instruments, 179.
  • Hajizadeh, E., Seifi, A., Zarandi, M. F., &Turksen, I. B. (2012). A hybrid modeling approach for forecasting the volatility of S&P 500 index return. Expert Systems with Applications, 39(1), 431-436.
  • Kristjanpoller, W., &Minutolo, M. C. (2015). Gold price volatility: A forecasting approach using the Artificial Neural Network–GARCH model. Expert Systems with Applications, 42(20), 7245-7251.
  • Hung, J. C. (2011). Applying a combined fuzzy systems and GARCH model to adaptively forecast stock market volatility. Applied Soft Computing, 11(5), 3938-3945.
  • Dash, R., & Dash, P. K. (2016). An evolutionary hybrid Fuzzy Computationally Efficient EGARCH model for volatility prediction. Applied Soft Computing, 45, 40-60.
  • Atsalakis, G. S., &Valavanis, K. P. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), 10696-10707.
  • Kristjanpoller, W., Fadic, A., &Minutolo, M. C. (2014). Volatility forecast using hybrid Neural Network models. Expert Systems with Applications, 41(5), 2437-2442.