پایان نامه ارزش در معرض خطر و بازدهی‌ های حدی در بازار سکه بهار آزادی و بازار سهام در ایران: با استفاده از تئوری ارزش حدی

پایان‌نامه کارشناسی ارشد رشته: مدیریت اجرایی

گرایش: مدیریت استراتژیک

سال تحصیلی: 1389-1391

چکیده تحقیق

اندازه‌گیری ریسک بازار مسأله‌ای است که از دیرباز ذهن محققان را به خود مشغول ساخته است. در این زمینه رویکردهای مختلفی ارائه شده است. این رویکردها را می‌توان بر اساس تکنیک‌های آماری مورد استفاده در سه طبقه رویکردهای پارامتریک، نیمه‌پارامتریک و ناپارامتریک تقسیم‌بندی نمود به‌ طوری ‌که اغلب سنجه‌های ریسک[1] در قالب این رویکردها، ریسک را انداه‌گیری می‌نمایند. در میان سنجه‌های مختلف ریسک، ارزش در معرض خطر[2] ، یک سنجه‌ای نوظهور است. در این تحقیق عملکرد ارزش در معرض خطر پارامتریک در پیش‌بینی ریسک شاخص بازدهی نقدی بورس اوراق بهادار تهران و سکه بهار آزادی مورد بررسی قرار می‌گیرد.

نتایج حاصل از پس‌آزمایی[3] مدل‌های ارزش در معرض خطر در این مطالعه حاکی از اینست که اولاً مدل‌هایی که پویایی‌های بازده و نوسانات بازده را در نظر می‌گیرند، نسبت به سایر مدل‌ها عملکرد بهتری دارند. در تحقیق پیش روی، این مدل‌ها به ترتیب شامل مدل‌های خودبازگشتی- میانگین متحرک[4] و مدل‌های خودبازگشتی مشروط بر ناهمسانی واریانس[5] می‌باشد. ثانیاً مدل‌هایی که در برازش توزیع پارامتریک به داده‌ها دارای انعطاف می‌باشند عملکرد بسیار بهتری نسبت به سایر مدل‌ها از خود نشان می‌دهند. در این مطالعه مدل فراتر از آستانه[6] در شمار این مدل‌ها قرار دارد. 

از طرفی متوسط زمان انتظار برای یک شاخص که نشانگر بازدهی روزانه پایین‌تر از آستانه 01/0 می‌باشد 3 روز و همچنین برای یک دوره زمانی ثابت، احتمال مشاهده حداقل بازدهی روزانه بالا‌تر از آستانه 01/0- برای یک روز آینده حدود 27% می‌باشد.

کلید واژه: متوسط زمان انتظار، بازدهی حدی، تئوری ارزش فرین، ارزش در معرض خطر، رویکردهای پارامتریک، ریسک.

فصل اول

 کلیات تحقیق

- مقدمه

سرمایه‌گذاران به‌ هنگام اخذ تصمیمات سرمایه‌گذاری به ‌طور همزمان ریسک و بازده حاصل از گزینه‌های سرمایه‌گذاری را مد نظر قرار می‌دهند. این دو بعد سرمایه‌گذاری یعنی ریسک و بازده اگر نگوییم که تنها ابعاد تأثیر‌گذار در زمینه تصمیمات سرمایه‌گذاری هستند، بدون شک مهم‌ترین آن‌ها به شمار می‌روند. در واقع آنچه که از آن به‌ عنوان رفتار عاقلانه[7] تعبیر می‌شود، چیزی جز توجه صرف به این دو بعد به ‌هنگام تجزیه و تحلیل فرصت‌های سرمایه‌گذاری نیست. در ادبیات مالی و اقتصادی به‌ وضوح عنوان می‌شود که فرد عاقل کسی است که به دنبال دست‌یابی به سطح معینی از بازده با تحمل حداقل ریسک ممکنه است. به ‌عبارتی دیگر وی خواستار دستیابی به حداکثر بازده در سطح معینی از ریسک می‌باشد. بنابراین ریسک جزء جدانشدنی بازده است و نمی‌توان در مورد بازده سرمایه‌گذاری بدون توجه به ریسک مترتب بر آن صحبت نمود. به بیانی دیگر ریسک صفت بازده است و نمی‌توان هیچ موصوفی را صرف‌نظر از صفتش تشریح نمود. عکس این مطلب نیز دارای اعتبار است یعنی نمی‌توان هیچ صفتی را بدون توجه به موصوفش مورد بررسی قرار داد. دقیقاً به همین دلیل است که مدل‌های موجود برای تشریح بازده دارایی‌ها با مدل‌ها ریسک بازده دارایی‌ها تکمیل می‌گردند و مدل‌های ریسک، دارای جزء بازده می‌باشند. اگر ریسک و بازده یک دارایی را با عنوان متغیر مد نظر قرار دهیم، به تفاوت عمده‌ای میان این دو متغیر دست می‌یابیم. بازده یک متغیر کمی و ریسک یک متغیر کیفی است. بدیهی است که اندازه‌گیری و تجزیه و تحلیل متغیرهای کمی به مراتب ساده‌تر از متغیرهای کیفی است. اندازه‌گیری یک کیفیت و بیان آن در قالب یک کمیت کاری بس چالش‌برانگیز و مستلزم دقت و تلاشی وصف‌ناپذیر است. به ‌همین دلیل است که هنوز هم تلاش برای کمی‌سازی ریسک و جستجو برای ارائه مدل‌های دقیق‌تر و منطقی‌تر ادامه دارد.

طبقه‌بندی‌های گوناگونی از ریسک ارائه شده است. یکی از طبقه‌بندی‌ها بر اساس عوامل ایجاد نوسانات در بازده دارایی‌ها می‌باشد. بر اساس این طبقه‌بندی ریسک به ریسک بازار، اعتباری، عملیاتی، نقدینگی، سیاسی و ... تقسیم می‌شود. مثلاً ریسک بازار، ریسک زیان ناشی از حرکات[8] یا نوسانات[9] غیرمنتظره در قیمت‌ها یا نرخ‌های بازار می‌باشد و با این تعریف می‌توان آن را از سایر انواع ریسک مثل ریسک اعتباری و عملیاتی تمیز داد.

 در پی مطالعات محققان، ابزارهای مختلفی برای اندازه‌گیری ریسک، معرفی شده است. هر کدام از این ابزارها، اغلب برای اندازه‌گیری نوع معینی از ریسک توسعه یافته است. در سال‌های اخیر، سنجه‌ای عمومی برای اندازه‌گیری ریسک وارد ادبیات مالی شده است. ابزاری که به دلیل ویژگی‌هایش به‌ سنجه‌ای استاندارد برای اندازه‌گیری انواع مختلف ریسک تبدیل گشته است. شاهد این مدعا پیمان کمیته نظارت بر بانک‌ها یعنی بال[10] در جهت کمی‌سازی ریسک مؤسسات مالی و خصوصاً بانک‌ها است. این پیمان به بانک‌ها توصیه می‌کند که برای اندازه‌گیری ریسک بازار، اعتباری[11] و عملیاتی[12] از مدل‌های این سنجه ریسک استفاده کنند. به علاوه الزامات کفایت سرمایه بانک‌ها نیز بر اساس پیش‌بینی‌های این سنجه از ریسک پیش‌روی مؤسسات مالی تعیین می‌گردد. هم‌چنین بسیاری از بورس‌های اوراق بهادار از جمله بورس اوراق بهادار نیویورک[13] شرکت‌های پذیرفته شده را ملزم به افشای ریسک بر اساس این سنجه به‌ عنوان یکی از گزینه‌های افشا نموده‌اند. این سنجه ارزش در معرض خطر[14] می‌باشد.

1-2- بیان مسأله اساسی تحقیق

درک تأثیر حوادث حدی بازار برای مدیران دوران بحران از اهمیت بسیاری برخوردار است. بررسی‌های تجربی ما نشان می‌دهد که توزیع‌های بازدهی، صرفاً با روش­های معمولی مشخص نمی‌شوند و اینکه حداکثر و حداقل میزان بازدهی می‌تواند به صورت رضایت بخشی در چهارچوب ارزش‌های حدی مدل سازی شود.

فرضیه ارزش حدی (EVT) در سال‌های اخیر توجه پژوهشگران را به طور قابل ملاحظه‌ای به خود جلب نموده است. (لیدبتر، 1993؛ رایس و توماس، 1997) و کاربردهای بسیاری در زمینه امور مالی داشته است. (دانلسون و دی و رایس، 1998؛ مک نیل، 1998 و لانگین، 2000)

در بازارهای مالی حرکات حدی قیمت‌ها ممکن است مشابه به تصحیح بازار در خلال دوره‌های معمولی و یا مشابه حوادث بازار سهام و یا سقوط بازار اوراق قرضه و یا بحران ارز در خلال دوره‌های غیرطبیعی باشد. اخیراً در بازارهای نوظهور، بازار حوادث حدی بسیاری را تجربه کرده­اند. نمونه‌هایی از این وقایع شامل کاهش ارزش پولی مکزیک در پایان سال 1994، بحران اوراق قرضه براتی در ابتدای سال 1995، کاهش ارزش پولی کشورهای آسیایی در خلال سال 1997 و بحران روسیه در سال 1998 می­شود. آشفتگی اخیر که در بازارهای مالی آسیا به وجود آمده است، فرصت‌های توزیعی جالبی را جهت استفاده از فرضیه ارزش حدی برای تجزیه و تحلیل این بازارها فراهم می­سازد. بحران مالی آسیای شرقی که در نیمه‌های سال 1997 شروع شد، یکی از حوادث اقتصادی چالش‌‌برانگیز و جدی در دهه 1990 بوده است. اگر چه عوامل مختلفی موجب بحران پولی آسیا شدند اما چند عامل در تمام کشورهای آسیایی که این بحران را تجربه کرده‌اند مشترک بوده است: سیستم نرخ ارز انعطاف‌ناپذیر، سیستم بانکداری ضعیف و وام‌های خارجی بیش از اندازه در میان تمام کشورها که دچار سقوط ارزش پولی و قیمت سهام شدند مشترک بود. براساس اهمیت آسیای شرقی در اقتصاد جهانی، بحران این منطقه از تأثیرات منطقه‌ای و شدیدی مانند سقوط قابل توجه ارزش پول‌های ملی و سقوط شدید در شاخص‌های سهام بوده است. درک تأثیر حوادث حدی بازار مانند بحران مالی آسیای شرقی برای مدیران دوره بحران از اهمیت بسیاری برخوردار است. (اوینگ، 1995 و لانگین، 2000)

از آنجایی که تمامی روش‌های اندازه‌گیری ریسک در مورد برآورد ارزش در معرض خطر (VaR) یک سبد دارایی فرض را بر این می‌گذارد که روند بازار ثابت است، بنابراین حوادث بازار حدی ضرورت استفاده از یک روش خاص برای مدیران بحران را مشخص می‌سازد. یک روش جدیدتر در مورد برآورد VaR بر مدل‌سازی توزیع دنباله‌دار براساس فرضیه ارزش‌های حدی تمرکز دارد (لانگین، 2000؛ دیبولد، 1999؛ مک نیل و فری، 1998؛ مندس، 2000). هدف ازاین تحقیق کاربرد فرضیه ارزش‌های حدی برای تحلیل بازارهای سهام و سکه در ایران است.  

در بازار سکه و طلای بار آزادی تهران نیز طی 6 ماه پایانی سال 90، 4 تا کاهش قیمت بزرگ تجربه شده است که به طور متوسط 028/0- می‌باشد و هم‌چنین در بازار سهام تهران نیز 4 کاهش قیمت بزرگ تجربه شده که به طور متوسط 013/0- می‌باشد. ولی ما به طور دقیق می‌خواهیم با استفاده از تئوری ارزش حدی احتمال کاهش بیشتر از یک مقدار خاص را محاسبه کنیم.

ما هم‌چنین تجزیه و تحلیل آماری را بر اساس طرح 2 سؤال زیر انجام می‌دهیم: الف- زمان انتظار که نشانگر بازدهی روزانه پایین‌تر از یک آستانه خاص است کدام است؟ ب- برای یک دوره زمانی ثابت، احتمال مشاهده حداقل بازدهی روزانه پایین‌تر از آستانه 5/0- چقدر است؟ این محاسبات با استفاده از تابع توزیع تجربی این متغیرهای مالی صورت می‌گیرند.

1-3- اهمیت و ضرورت انجام تحقیق

پیش فروش سکه بهار آزادی تقریباً از دی ماه سال 90 آغاز و در مرحله اول پیش فروش 4 میلیون و 200 هزار سکه پیش فروش شد و در روزهای پایانی سال سکه‌های پیش فروش شده به بیش از 9 میلیون و 300 هزار قطعه رسیده است و از طرفی حجم معاملات طلا در رینگ فلزات شرکت بورس کالای ایران در مجموع ماه­های مهر، آبان، آذر، دی و بهمن ماه سال 90  معادل با 119 کیلو بوده است. هم‌چنین ارزش بازار سهام در پایان بهمن ماه سال 90 به 125 هزار میلیارد تومان رسید و شاخص کل بورس در ابتدای سال بالغ بر 23 هزار و 294 واحد بود ولی در روزهای پایانی سال با بازدهی 9 درصدی به 25 هزار و 400 واحد رسیده است. این وضعیت ایجاب می‌کند که یک چهارچوب تخمینی برای ارزیابی و مدیریت این کالاها داشته باشیم، هدف این تحقیق فراهم سازی ابزارهایی برای مدیریت ریسک سبد دارایی افراد دارنده سکه بهار آزادی و اوراق سهام می‌باشد. برای این منظور ارزش در معرض خطر بازدهی این دارایی‌ها به وسیله تئوری ارزش حدی، که به نظر می‌رسد بهتر از روش‌های مرسوم می‌توانند ارزش در معرض خطر را مدل‌سازی کنند، محاسبه گردد از آنجایی که تمامی روش‌های اندازه‌گیری ریسک در مورد برآورد ارزش در معرض خطر (VaR) یک سبد دارایی فرض را بر این می‌گذارد که روند بازار ثابت است، بنابراین
حوادث بازار حدی ضرورت استفاده از یک روش خاص برای مدیران بحران را مشخص می‌سازد.
(دانلسون، (1998)).

از طرفی در چند سال گذشته ارقام بالا بزرگ‌ترین سقوط قیمت طلا (اونس) را نشان می‌دهد علاوه بر این کاهش‌های چشمگیر دیگری نیز در قیمت اونس طی چند مورد در ماه‌های نوامبر و آگوست
سال 2011 تجربه شده است. در پاره‌ای از موارد این کاهش قیمت اونس بیش از 100$ بوده است از این رو به نظر می‌رسد که مدل‌سازی بازدهی قیمت سکه با استفاده از نظریه ارزش حدی می‌تواند ابزار مناسبی برای مدیریت سبد دارایی باشد.

استفاده از تئوری ارزش حدی برای تجزیه و تحلیل بازار سهام و سکه بهار آزادی در ایران و محاسبه تخمین ارزش در معرض خطر با استفاده از تئوری ارزش حدی و مقایسه نتایج با تخمین ارزش در معرض خطر نرمال و تجربی و اینکه نتایج نشان می‌دهد که روش ارزش حدی در تخمین واریانس رویکردی بسیار محتاطانه‌تر از روش سنتی جهت تعیین نیازمندی‌ها/ ضرورت‌های سرمایه‌ای می‌باشد. ما
  را با استفاده از طول‌های قطعه‌ای از هر ماه برای هم بازدهی مینیمم (موقعیت‌های طولانی) و هم بازدهی ماکسیمم (موقعیت‌های کوتاه) محاسبه می‌کنیم و همچنین تئوری ارزش حدیVaR  را مطابق با شاخص حدی  تخمین می‌زنیم.

از طرفی دانستن تأثیر رویدادهای بازار حدی اهمیت بسیار زیادی در مدیریت ریسک و نتایج ما برای برآورده کنندگان، بانک‌ها، مدیران بودجه و کسانی که موفقیت آنها بستگی به توانایی آنها در پیش‌بینی حرکت قیمت‌های سهام در این بازارها دارد مفید می‌باشد. در دنیای کسب و کار، امروزه برای پیشرفت و توسعه بازار سرمایه ضرورت وجود سیستم یکپارچه مدیریت ریسک و تحلیل‌های سرمایه‌گذاری مبتنی بر ریسک، بیش از پیش اهمیت یافته است، به گونه‌ای که یکی از اصلی‌ترین وجه تمایز سرمایه‌گذاران، اعم از حقیقی و حقوقی در دنیای رقابتی، اخذ استراتژی‌ها و جهت‌گیری‌های صحیح در سرمایه‌گذاری و فعالیت‌های اقتصادی است. (میرفضل فلاح‌شمس، 1389)

1-4- اهداف تحقیق

مدیریت پورتفولیو برای دارندگان طلا، سکه بهار آزادی و اوراق سهام.

از طرفی هدف ارائه این موضوع استفاده از فرضیه ارزش حدی برای تجزیه و تحلیل بازار سهام و سکه در ایران و شناسایی این نکته که کدام نوع از توزیع مجانبی ارزش حدی با حوادث تاریخی حدی بازار تناسب بیشتری دارد، است. درک تأثیر حوادث حدی بازار برای مدیران دوران بحران از اهمیت بسیاری برخوردار است.

محاسبه تخمین ارزش در معرض خطر با استفاده از تئوری ارزش حدی و مقایسه نتایج با تخمین ارزش در معرض خطر نرمال نشان می‌دهد که روش ارزش حدی در تخمین واریانس رویکردی بسیار محتاطانه‌تر از روش سنتی جهت تعین نیازمندی‌ها/ ضرورت‌های سرمایه‌ای می‌باشد. ما  را با استفاده از طول‌های قطعه‌ای از هر ماه برای هم بازدهی مینیمم (موقعیت‌های طولانی) و هم بازدهی ماکسیمم (موقعیت‌های کوتاه) محاسبه می‌کنیم و هم‌چنین تئوری ارزش حدیVaR  را مطابق با شاخص حدی  تخمین می‌زنیم.

از طرفی دانستن تأثیر رویدادهای بازار حدی اهمیت بسیار زیادی در مدیریت ریسک و نتایج ما برای برآورده‌کننده‌گان، بانک‌ها، مدیران بودجه و کسانی که موفقیت آنها بستگی به توانایی آنها در پیش‌بینی حرکت قیمت‌های سهام در این بازارها دارد مفید می‌باشد. هم‌چنین ما حداکثر ضرر روزانه را از طریق محاسبه ارزش در معرض خطر به دست می‌آوریم.

1-5- هدف کاربردی

بهینه‌سازی سبد دارایی سرمایه‌گذاران مالی

1-6- سؤالات تحقیق

متوسط زمان انتظار که نشانگر بازدهی روزانه پایین‌تر از یک آستانه خاص است کدام است؟

برای یک دوره زمانی ثابت، احتمال مشاهده حداقل بازدهی روزانه پایین‌تر از آستانه 01/0- چقدر است؟

1-7- فرضیه‏های تحقیق

متوسط زمان انتظار برای یک شاخص که نشانگر بازدهی روزانه پایین‌تر از یک آستانه خاص است، معمولاً 3 روز می‌باشد.

هم‌چنین برای یک دوره زمانی ثابت، احتمال مشاهده حداقل بازدهی روزانه پایین‌تر از آستانه 01/0- برای یک ماه آینده حدود 10% است.

1-8- متغیرهای تحقیق

متغیر وابسته این تحقیق ارزش در معرض ریسک مورد محاسبه بازار سهام و سکه می‌باشد.

متغیرهای مستقل این تحقیق شامل شاخص اصلی روزانه سهام (بازار بورس اوراق بهادار)، قیمت روزانه سکه بهار آزادی در ایران می‌باشد.

1-9- جامعه آماری، روش نمونه‏گیری و حجم نمونه (در صورت وجود و امکان)

جامعه آماری این تحقیق شامل شاخص روزانه بازار سهام ایران و نیز قیمت سکه بهار آزادی است.

نمونه آماری این تحقیق شامل شاخص روزانه بازار سهام ایران و نیز قیمت سکه بهار آزادی در طی
4 سال اخیر از تاریخ 5/1/88 الی 7/12/91 می‌باشد.
(نمودار ها در فایل اصلی قابل مشاهده است )

Abstract

Risk measurement is a problem occupies the mind of researchers for many years. Various approaches hasbeen developed in this area. These approaches can be divided in three categories, parametric, semi parametric and nonparametric based on statistical techniques used in. Risk measures quantify risk in the frame of these approaches. Among the risk measures, value-at-risk is a new one. In this study, we examine the performance of parametric value-at-risk in forecasting Tehran price and dividend index risk.

The result of value at-risk models backtesting indicated that the models in which the return and volatility dynamics are considered, have better performance than others. In this study these models respectively include arma and garch. The other result shows that the models which are flexible in attribution of distribution to data such pot have much better performance in forecasting index risk.

On the other hand, the average waiting time for an index to present a daily return below the 0.01 threshold is 3 days and also, in a fixed period of time, the probability of observing during a minimum daily return below the 0.01 threshold, during the next day, is 72 percent.

منابع فارسی

بورس اوراق بهادار تهران.1390. نمودار شاخص گروه‌ها.
Available from:http://www.talanews.com .10 بهمن 1390.

حجازی ر، فاطمی م. 1387. سهام ارزشی و سهام رشدی، فصلنامه تحلیلی اطلاع‌رسانی پژوهشی سازمان حسابرسی، شماره 42، 61-54.

راعی ر ، سعیدی ع. 1383. مبانی مهندسی مالی و مدیریت ریسک، تهران: انتشارات سمت.

راعی ع، شوخی‌زواره ع. 1385. بررسی استراتژی‌های سرمایه‌گذاری در بورس اوراق بهادار تهران، 21، 96-75.

شاه‌بندی م. 1385. مقایسه شرکت‌های دارای سهام رشدی و قیمتی در بورس اوراق بهادار تهران، پایان‌نامه کارشناسی ارشد، دانشگاه مازندران، مازندان.

طالب‌نیا ق، احمدی‌نظام‌آبادی ف. 1389. بررسی قدرت پیش‌بینی مدل مجله تحقیقات اقتصادی
شماره 79، بررسی قدرت پیش‌بینی مدل سه عاملی فاماو فرنچ (F&F) و مدل ارزش در معرض خطر (VaR) در انتخاب پرتفوی بهینه سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، واحد علوم و تحقیقات تهران، مجله حسابداری مدیریت شماره 6، 68-64.

طلا نیوز. 1390. نمودار لحظه ای تغییرات قیمت طلا در بازارهای جهانیAvailable from:http://www.talanews.com.10 بهمن 1390.

عبده تبریزی ح، رادپور م. 1388. اندازه‌گیری و مدیریت ریسک بازار. تهران: انتشارات آگاه،
420 صفحه.

فلاح‌شمس م، 1389. بررسی مقایسه‌ای کارایی مدل ریسک‌سنجی و مدل اقتصادسنجی GARCH از پیش‌بینی ریسک بازار در بورس اوراق بهادار تهران، مجله مهندسی مالی و مدیریت پرتفوی، ص 5: 142-141.

قالیباف‌اصل ح و همکاران. 1387. مقایسه بازدهی سهام رشدی با سهام ارزشی در بورس اوراق بهادار تهران، فصلنامه بورس اوراق بهادار، 3، 111-134.

قربانلو ف. 1389. مدل‌سازی و اندازه‌گیری ریسک سبد اعتباری با وابستگی حدی، پایان‌نامه کارشناسی ارشد، دانشگاه تحصیلات تکمیلی در علوم پایه زنجان

کاظمی، معین. 1390. محاسبه ارزش در معرض خطر با استفاده از تئوری فرین، دانشکده مدیریت اقتصاد تهران.

کشاورزحداد غ، صمدی ب. 1388. برآورد و پیش‌بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FGARCH، مجله تحقیقات اقتصادی شماره 86.

مؤسسه عالی بانک‌داری ایران. 1385. معرفی مفهوم ارزش در معرض خطر و کاربرد آن در اندازه‌گیری ریسک بانک.

منابع انگلیسی

Andre L. C. da silva and beatriz V. de Melo mendes .2005. Value-at-risk and extreme returns in asian stock markets, International journal of business.

Assa A. 2009. Elsevier Inc, extreme observation and risk assessment in the equity markets of mena region: Tail measures and value-at-risk, international review of financial analysis, contents lists available ar sciencedirect.

Assaf A .2009. Extreme observations and risk assessment in the equity markets of mena region: Tail measures and value-at-risk. International review of financial analysis, pp: 109-116.

Balkema A, De haan B. 1974. Understanding market credit and operational risk (the value at risk approach), blackwell publishing ltd.

Berkowitz F.2001. Expected shortfall: a natural coherent alternative to value at risk.

Bollerslev T.1986. Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31, PP. 307-327.

Brodin, E, kluppelberg, C. 2006. Extreme value theory in finance.

Chan N. H, deng S, peng L, xia Z. 2005. Interval estimation of value-at- risk based on garch models with heavy- tailed innovations. Journal of econometrics.

Christoffersen P, berkowitz J, pelletier D. 2006. Evaluating valueat- risk models with desk-level data. North carolina state university.

Christoffersen P. 1985. Financial modeling using excel and VBA, mit press, second edition.

Danielsson, J., and C. De vries, 1998, beyond the sample: extreme quantile and probability estimation, discussion paper 298 lse financial markets group, London school of economics.

Diebold F. X schuermann T. & stroughair J. D.1998. pitfalls and opportunities in the use extreme value theory in risk management. Decision technologies for computational finance, pp:3-12.

Diebold F. X, mariano R. S. 1995. Comparing predictive accuracy.

Diebold, F. X., gunther, T. A. and tay, A. S. (1998), “evaluating density forecasts,“ international economic review, vol. 39, pp. 863-883.

Diebold, F., schuermann, T., and J. stroughair, 1999, pitfalls and opportunities in the use of extreme value theory in risk management, advances in computational finance.

Embrechts C. kluppelberg T. mikosch.1997. Modeling extermal events for insurance and finance, springer.

Engle R. F, manganelli S. 2004. caviar: conditional autoregressive value at risk by regression quantiles. Journal of business and economic statistics, 22, pp:367-381.

Engle R. F. 1982. Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation. Econometrica, 50 (4), PP. 987-1008.

Engle, robert F, victor ng. 1993. Measuring and testing the impact of news On volatility, journal of finance, volume 48, pp: 1022-1082.

Ewing, R. (editor), 1995, identifying, measuring and managing market risk and stress testing portfolios, risk conferences & publications, london, U. K.

Fama, eugene F, kenneth R. and kenneth R. french. 1997. Value versus growth: international evidence, journal of financial economics, 53, pp:1775-1799.

Fama, eugene F, kenneth R. and kenneth R. french. 2007. The anatomy of value and growth stock returns. Financial analysts journal, 63, pp: 44-45.

Fama, eugene F, kenneth R. french.1992. The cross-section of expected stock returns. Journal of finance 47.pp: 427-465.

Fisher, R., and L. tippett, 1928, limiting forms of the frequency distribution of the largest or smallest member of a sample, proceedings of the cambridgephilosophical society, 24, 180-190.

Focardi S, fabozzi F. 2004. The mathematics of financial modeling and investment management. John wiley & Sons, Inc.

 Gency R, selcuk F, ulugulyagci A.2002. EVIM: A software package for extreme value analysis in matlab. Studies in nonlinear dynamics and econometrics.

Gilli M, kellezi E. 2006. An application of extreme value theory for measuring financial risk. Computational economics, pp:1-23.

Glosten LR, jagnnathan R, runkle D.1993. On the relation between the expected value and the volatility of the normal excess return on stocks, journal of finance, volume 48, pp: 1779-1801.

Groot F, gasper N .2002. Further evidence on asian stock returns behavior, emerging markets review, 3, pp: 179-193.

Hansen P. R. 2005. A test for superior predictive ability. Journal of business and economic statistics, 23, pp: 365-380.

Hill J.1975. Accurate measures of value at risk fitting fat tails thesis. Department of management and finance, university of murcia (spain).

46-Glyn A. holton (2004), value-at-risk: theory and practice, academic press.

Gnedenko M, kellezi E. 1943. An application of extreme value theory for measuring financial risk. Computational economics, pp:1-23.

Groot F, gasper N .2002. Further evidence on asian stock returns behavior, emerging markets review, 3, pp: 179-193.

Hansen P. R. 2005. A test for superior predictive ability. Journal of business and economic statistics, 23, pp: 365-380.

Hill J. 1975. Accurate measures of value at risk fitting fat tails thesis. Department of management and finance, university of murcia (spain).

Hosking J. 1990. L-moments: analysis and estimation of distributions using linear combinations of order statistics, journal of the royal statistical society, 52, pp:105-124.

Jenkinson, A., 1955, The frequency distribution of the annual maximum (or minimum) values of meteorological elements, quarterly journal of the royal meteorological society, 81, 145-158.

John C. hull. 2008. fundamental of futures and option markets. Pearson prentice hall.

Leadbetter, M., lindberg, G., and H. rootzen, 1993, extremes and related properties of random sequences and processes, springer- verlag, berlin.

Leadbetter, M., lindberg, G., and H. rootzen, 1993, extremes and related properties of random sequences and processes, springer- verlag, berlin.

Longing F. 2000. From value at risk to stress testing: the extreme value approach, journal of banking and finance, 24 (7), PP: 1097-1130.

Lopez J. 1998. Methods for evaluating value-at-risk estimates. Federal reserve bank of New York. Research paper no. 9802.

Mcneil A, frey R, embrechts P. 2005. Quantitative risk management (concepts, techniques and tools). Princeton uninersity press.

Mcneil A, frey R. 1998. Estimation of tail-related measures for heteroscedastic financial time series: an extreme value approach, department mathematik, eth, zentrum, zurich.

McNeil and frey R. 2000. Estimation of tail-related risk measures for heteroscedasticity financial time series: an extreme value approach, journal of empirical finance, pp: 271-300.

Mcneil, A., and R. Frey, 1998, estimation of tail- related measures for heteroscedastic financial time series: an extreme value approach, department mathematik, eth, zentrum, Zurich.

McNeil. 1998. Calculating quantile risk measures for financial return series using extreme value theory, department mathematik, eth, zentrum, Zurich.

Mendes, B., 2000, computing robust risk measures in emerging markets using extreme value theory, emerging markets quarterly, 4 (2), 25-42.

Pickands K. 1975. RiskMetrics technical document, J. P. morgan, 4th edition.

Reiss, R., and M. Thomas, 1997, statistical analysis of extreme values, birkhauser- Verlag.

Risk metrics group. 1996. Risk metrics- technical document, morgan J. P.

Zakoian J. M. 1990. Threshold heteroskedastic models. Manuscript, creset, insee, paris.