استفاده از داده‌هاي روزانه و مدل‌هاي خطي و غيرخطي مورد بررسي قرار دادند. آنها در اين مقاله از 4 مدل GARCH استفاده كردند. نتايج پژوهش نشان داد كه عكس العمل متقابل بين اطلاعات به دست آمده از بازار سهام داخلي و بازار ارز خارجي به عكس العمل متقارن در بازار سهام و متغيرهاي مرتبط شده به آنها منتهي مي‌شود و همچنين آنها دريافتند كه بازار سهام هر كشور از اخبار نرخ ارز بيشتر از اخبار داخلي تاثير مي‌پذيرد. یکی از اشکالات این مطالعه عدم درنظر گرفتن اثر بازخورد در مدلسازی مدل‌های خانواده GARCH و همچنین عدم توجه به استفاده از سایر توابع توزیع (t و GED) می‌باشد.
چکیلی و همکاران108 (2012) با استفاده از مدل‌های خانواده GARCH یک متغیره و چندمتغیره به بررسی خواص نوسانات شرطی بازدهی سهام و نرخ ارز برای سه بازار سهام اروپا و دلار پرداختند. نتایج مطالعات ایشان نشان داد که شواهد قوی از نامتقارنی و حافظه بلندمدت در واریانس شرطی کلیه سری‌های زمانی وجود دارد. در مدل چند متغیره رابطه دو طرفه بین بازار سهام و بازار ارز بطور معنی‌داری بویژه در فرانسه و آلمان وجود دارد. نتایج مطالعه ایشان نشان داد که مدل FIAPARCH مدل مناسبی جهت پیش‌بینی ریسک بازار پرتفوی و وجود مزایای تنوع‌گرایی (تنوع‌بخشیدن) بین سهام و ارز است. در این مطالعه علی‌رغم استفاده از مدل‌های حافظه بلندمدت، از کاستی‌های این مطالعه عدم درنظر گرفتن اثر بازخورد در مدلسازی مدل‌های خانواده GARCH و عدم آزمون تابع توزیع GED می‌باشد.
سو109 (2015) نیز در مطالعه‌ای به بررسی تاثیر نوسانات نرخ ارز بر بازار سهام با استفاده از مدل‌ EGARCH و MHS پرداخت. نتایج نشان داد در بازارهای نوظهور ریسک نوسانات نرخ ارز بر بازار سهام بیشتر است. همچنین هو و هاگ110 (2015) اخیراً در مطالعه‌ای به بررسی رابطه غیرخطی بین نوسانات نرخ ارز و شاخص بورس پرداخته و ضمن تایید وجود چنین رابطه‌ای بر مشهود بودن این رابطه در بازه هفتگی تاکید می‌نماید. برخی ایرادات وارده در مطالعات فوق مشمول این دو مطالعه نیز می‌باشد. البته در این مطالعات برخی نوآوری‌هایی نیز از سوی این نویسندگان (نظیر استفاده از مدل MHS از سوی سو و تحلیل ساختاری توسط هو ) ارائه شده است.
در مطالعات داخلی ترابي و تقي (1389) در مقاله خودشان به ارزيابي اثر متغيرهاي كلان اقتصادي بر بازدهي بورس اوراق بهادار تهران با استفاده از روش همجمعي پرداختند. برآوردها با پنج شاخص براي بازدهي سهام – فصلي طي دوره 1387 (شاخص كل قيمت سهام، شاخص قيمت، بازده نقدي، شاخص بازده نقدي، شاخص قيمت صنعت و شاخص قيمت مالي ) نشان مي‌دهد كه توليد ناخالص داخلي، حجم پول و حجم نقدينگي از متغيرهاي اثرگذار كليدي بر بازدهي سهام محسوب مي‌شوند. سكه جانشين ضعيفي براي بازار سهام مي‌باشد، اما نرخ ارز و مسكن بسته به شاخص منتخب براي بازار سهام، بر بازدهي بورس اوراق بهادار تهران اثرگذارند. ایرادی که از این مطالعه می‌توان گرفت این است که این محققین به بررسی اثر ARCH در مدل خود نپرداخته اند و صرفاً به بررسی مدل تصحیح خطا روابط فوق اکتفا نموده‌اند.
کریم‌زاد و سلطانی (1390) در مطالعه‌ای رابطه بلندمدت شاخص قیمت سهام صنعت واسطه‌گری مالی بورس را با متغیرهای کلان پولی با استفاده از روش‌های خودتوضیحی با وقفه توزیعی (ARDL) را برآورد نمودند نتایج مطالعات ایشان نشان داد که نقدینگی تاثیر مثبت معنی‌دار و نرخ ارز و نرخ سود بانکی تاثیر منفی بی‌معنی بر شاخص قیمت سهام داشته است. یکی از اشکالات این مطالعه عدم درنظر گرفتن اثر بازخورد در مدلسازی مدل‌های خانواده GARCH و همچنین عدم توجه به استفاده از سایر توابع توزیع (t و GED) اشاره داشت.
پدرام و حری (1393) در مطالعه‌ای با استفاده از مدل ARDL دریافتند که در بلندمدت متغيرهاي اندازه دولت، حجم پول، قيمت زمين و نرخ ارز داراي تاثير منفي و معني دار بر شاخص قيمت بورس هستند و شاخص قيمت مصرف کننده داراي تاثير مثبت و معني دار بر عملکرد بورس اوراق بهادار است. مدل استفاده شده در این تحقیق، نیز کاستی‌های اشاره شده در مطالعه کریم‌زاد و سلطانی (1390) را دارد.
در پژوهش حاضر تلاش می‌گردد مفاهیمی چون بررسی اثر ARCH، استفاده از توابع توزیع مختلف (نرمال، GED و t) و همچنین بررسی انتقالات رژیمی که در مطالعات فوق و اکثر مطالعات ذکر شده در پیوست (الف) بررسی نشده است، پرداخته شود.

2-3-2 مطالعات مرتبط در حوزه خانوده GARCH
مدل GARCH توسط بلرسلوف (1986)، ابداع و انگل (1986) و نلسون (1991) آن را تکمیل کردند. اين روش يك مدل‌سازي مبتني بر تغيير واريانس در طول زمان است. كلمه شرطي بيانگر وابستگي به مشاهدات گذشته و خود همبستگي بيانگر مكانيسم بازخوردي است كه مشاهدات گذشته را در تعيين مقدار متغير وابسته در زمان حال مشاركت مي‌دهد. GARCH مكانيسمي است كه از واريانس‌هاي گذشته و جملات خطا براي توضيح واريانس فعلي استفاده مي‌كند، يا به طور مشخص يك تكنيك مدل‌سازي سري‌هاي زماني است كه از واريانس‌هاي گذشته و تخمين واريانس‌هاي گذشته براي پيش‌بيني واريانس‌هاي آتي استفاده مي‌كند(بلرسلوف، 1981).
استفاده از مدل‌های خانواده GARCH در مطالعات مختلفی در بازارهاي مالي، انرژی و… صورت گرفته است. در برخی از این مطالعات، عملكرد این مدل‌ها در پيش‌بيني تلاطم مورد مقايسة قرار گرفته است. در این مطالعات محققان با توسعه مدل‌های خانواده GARCH و ارائه مدل‌های جدید از این خانواده با ویژگی‌های منحصر به فرد به یافته‌
ه
ای ارزشمندی در تحلیل رفتار سری‌های زمانی دست یافته‌اند. به عنوان نمونه پس از معرفی مدل GARCH، با توجه به اینکه در تئوری‌های مالی (نظیر تئوری مارکویتز) بر وجود همبستگي ميان ريسك و بازده تاکید می‌شود، محققان با وارد ساختن این تئوری در مدل‌سازی‌های GARCH، مدل GARCH میانگین (GARCH-M) را معرفی نمودند (انگل111، 2010).
در ادامه در برخی از مطالعات تجربی انجام شده بر روی مدل GARCH(1,1)، مقدار α(L)+ β(L)، نزدیک به 1 بود که اگر چنین باشد، آن‌گاه α(L)+ β(L) دارای یک ریشه واحد است و امکان استفاده از مدل GARCH بدلیل نقض فروض نتایج سنجی میسر نخواهد بود. در واقع در حالتی که در آن α(1)+ β(1) برای سری‌های زمانی مالی، نزدیک واحد است، شوک وارد شده به واریانس شرطی دیرپا بوده و به آن مفهوم است که این شوک برای پیش‌بینی تمام آینده با اهمیت خواهد بود. لذا این محققین مدل GARCH انباشته یاIGARCH را برای مرتفع ساختن این مسئله معرفی کردند و در ادامه با وارد ساختن تئوری مالی « همبستگي ميان ريسك و بازده» در مدل‌سازی‌های IGARCH، مدل IGARCH انباشته میانگین (IGARCH-M) را معرفی نمودند (بلرسلو و همکاران112، 2007).
در ادامه محققین با وارد ساختن واکنش‌های نامتقارن سری‌های زمانی به شوک‌های خارجی مدل GARCH نمایی (EGARCH ) را معرفی نمودند و با وارد ساختن تئوری همبستگي ميان ريسك و بازده مدل GARCH نمایی میانگین (EGARCH-M) را معرفی نمودند (نلسون113، 1991). فرآیند معرفی این مدل‌ها طیف قابل توجه از مدل‌های دیگر را درنظر می‌گیرد که هر یک از مدل‌ها ویژگی‌های خاص خود را دارند.
از سوی دیگر برخی از محققین در کنار استفاده از توزیع‌های نرمال در مدل‌سازی خانواده GARCH از سایر توزیع‌ها نظیر توزیع t نیز استفاده نمودند و اخیراً برخی از محققین دریافته‌اند که در بازارهای مالی بویژه بازار بورس، بسیاری از سری‌ها دارای مشخصه لپتوکورتیک114 (نوک تیز) همراه با دم کلفت115 (کشیدگی بزرگ) می‌باشند و از اینرو این محققین بجای استفاده از توزیع‌های نرمال و t از توابع توزیع خطای تعمیم‌یافته ((GED116 استفاده می‌کنند(باردواج و سوانسون117، 2012).
با توجه به طیف گسترده مطالعه صورت گرفته در در این حوزه در پیوست (ب) برخی از مطالعات صورت گرفته به همراه نتایج بدست آمده ارائه شده است. در این باره از جمله نقدهای وارده بر این مطالعات می‌توان به عدم درنظر گرفتن توزیع مناسب (نرمال، t و GED) در برآورد مدل‌ها اشاره داشت. به عبارت دیگر در برخی از این مطالعات صرفاً از یک یا نهایتاً دو توزیع استفاده شده است. همچنین عدم توجه به درنظر گرفتن همبستگي ميان ريسك و بازده موجب شده تا در برخی از این مطالعات، از مدل‌های میانگین خانواده GARCH استفاده نگردد. یکی دیگر از کاستی‌های برخی از این مطالعات اکتفا نمودن به تعداد محدودی از مدل‌های خانواده GARCH و عدم استفاده از معیار مناسب جهت انتخاب مدل‌های بهینه بوده است. در واقع در برخی از این مطالعات، سری زمانی بر حسب مدل‌های مختلف برآورد شده اما معیاری جهت انتخاب مدل بهینه مورد استفاده قرار نگرفته است. همچنین در اکثر مطالعات نیز به انتقالات رژیمی سری‌های زمانی توجه‌ای نشده است. در پژوهش حاضر تلاش شده است تا سازوکار معرفی شده، کلیه کاستی‌های فوق را پوشش دهد.
2-3-3 ارزش در معرض ریسک (VaR)
در سال‌های اخیر مطالعات متعددی براي تخمين ارزش در معرض ریسک در بازارهای مالی با استفاده از خانواده مدل‌های GARCH توسعه داده شده‌اند. همچنین مطالعات مختلفی در بازارهاي مالي براي مقايسة عملكرد مدل‌هاي مختلف در تخمين ارزش در معرض ریسک انجام گرفته، كه تنوع نتايج آنها بسيار جالب است. در ادبیات اقتصادی، مدل‌های خانواده GARCH، پیش‌بینی‌های قابل اطمینانی از محاسبه ارزش در معرض ریسک در انواع مختلفی از بازارها، تحت فروض توزیعی مختلفی تولید می‌کند(عاصف118، 2015). به عنوان نمونه کومار رای119 (2003) ارزش در معرض ریسک (VaR) را برای بازده روزانه با انتخاب مدل GARCH(1,1) و توزیع تی-استیودنت به عنوان مدل ترجیح‌داده شده انتخاب نمودند. برخی از مطالعات به این نتیجه رسیدند که استفاده از توزیع‌های نامتقارن بجای توزیع‌های متقارن برای باقیمانده‌های استانداردشده، پیش‌بینی‌های بهتری از VaR را تولید می‌نماید. به عنوان نمونه گیوت و لورنت120 (2004) در مطالعات خود به این نتیجه رسیدند که مدل‌های نامتقارن با توزیع t نسبت به سایر روش‌ها نتایج بهتری در تخمین VaR داخل نمونه و خارج از نمونه ارائه می‌دهد. از سوی دیگر آندرو و گایسل121 (2007) به این نتیجه رسید که توزیع t و t چوله، ارزش در معرض ریسک بیش از حدی را تخمین می‌زنند و در نتیجه سایر توزیع‌ها نظیر توزیع نرمال ممکن است برای باقیمانده‌های استاندارد شده مناسبتر باشد. در این زمینه اختلاف نظرهای مختلفی در رابطه با شایستگی‌های نسبی مدل‌های نوسانات شرطی با سایر مدل‌ها وجود دارد. در حالی که دانیلسون و مریموتو122(2000) معتقدند که مدل‌های نوسانات شرطی، پیش‌بینی‌های VaR نوساناتی‌تری(فرار) تولید می‌کنند، مایک و یو123 (2007) معتقدند که نواقص وارده بر VaR ناشی از مدل‌های VaR غیرشرطی هستند که بطور مستقل در طول دوره تخمین اتفاق نمی‌افتند بلکه ممکن است با هم خوشه‌بندی گردند(میک و یو).
در این رابطه روسیگنولو و همکاران (2013) یک توصیف نظری دقیقی از چارچوب نظارتی (پیمان سرمایه بازل124 2 و3) در کنار خلاصه‌ای از مدل‌های VaR ارائه دادند. آنها نشان دادند که مدل‌های واریانس شرطی نمایی (EGARCH) هیچ برتری نسبت به مدل GARCH در افق‌ها
ی زمانی روزانه ندارد. البته در مطالعات ایشان عدم توجه به اثر بازخورد و استفاده محدود از توزیع‌های آماری مورد انتقاد است. در مجموع در بسیاری از تحقیقات محاسبه ارزش در معرض ریسک با استفاده از مدل‌های خانواده GARCH مورد تایید قرار گرفته است. به عنوان آخرین مطالعه می‌توان به مطالعه عصاف (2015) اشاره داشت. ایشان با اندازه‌گیری ارزش در معرض ریسک بازارهای سهام کشورهای MENA با استفاده از توزیع های نامتقارن شرطی ARCH و دم پهن پرداخت. نتایج این مدلسازی نشان داد که تخمین VaR براساس مدل‌های خانواده GARCH نتایج مناسبی را در بر دارد. با این وجود افزوده مدل‌های خانواده سوئیچینگ در ترکیب مدل‌های خانواده GARCH می‌توانست نتایج مطالعه ایشان را قویت نماید.
در مطالعات داخلی نیز اخیراً کارهای ارزشمندی در این حوزه صورت گرفته است. فقیهیان(1393) با محاسبه ارزش ریسک شاخص

Written by 

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *