روش استاندارد شبیه‌ساز تاریخی، شبیه‌سازی تاریخی همراه با ARMA (HSAF)) و روش واریانس-کواریانس میتنی بر ناهمسانی شرطی خودرگرسیو (ARCH) را برای محاسبه ریسک قیمت اسپات نفت برنت با فرض توزیع نرمال برای بازدهی قیمت نفت انجام دادند. نتایج مطالعات آنها نشان داد که روش HSAF دارای کمیّت ریسک کارا و انعطاف‌پذیری است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

یینگ فان و همکاران (۲۰۰۴)

با معیار قرار دادن روش میانگین نمایی با وزن متغیر به محاسبه ارزش در معرض ریسک بورس شنزن و شانگهای پرداختند. نتایج نشان داد که نوسان بورس چین بالاست و افت و خیز بورس شنزن از بورس شانگهای بیشتر است

بائو و اولاه (۲۰۰۴)

به بررسی انحراف مرتبه دوم تخمین‌زن‌های مبتنی بر مدل‌های خانواده GARCH زمانی که این متد بر اساس حداکثر درستمایی گوسی اقدام به تخمین VaR می‌کنند پرداختند. نتایج نشان داد که انحرافات در تخمین دقیق VaR ناشی از دو منبع فروض توزیع باقیماندها و خطای تخمین پارامترها است.

فنگ و همکاران (۲۰۰۴)

یک روش شبه(نیمه‌) پارامتریک VaR برای محاسبه ریسک زیان در بازار نفت خام وست‌تگزاس پیشنهاد نمودند. نتایج مطالعات ایشان نشان داد که روش جدید می‌تواند اندازه ریسک پیش‌بینی‌شده را هنگامی که سطح اطمینان ۹۹ درصد می‌باشد بهبود بدهد.

صادقی و شوال‌پور(۲۰۰۶)

مدل HSAF و واریانس-کواریانس مبتنی بر مدل GARCH را برای تخمین VaR قیمت نفت خام اوپک معرفی کردند. در این مطالعه مدل HSAF به عنوان مدل بهینه انتخاب گردید.

یو (۲۰۰۴)

استفاده از مدل‌های تلفیقی نتایج بهتری نسبت به مدل‌های انفرادی در پیش‌بینی ارزش در معرض ریسک بازدهی‌های سهام می‌دهد.

سو چینگ (۲۰۰۴)

مدل GARCH نامتقارن در پیش‌بینی VaR بهتر از مدل GARCH متقارن است

پولیتز(۲۰۰۴)

مدل GARCH-t دارای حداقل کارایی و دقت در هر دوسطح اطمینان بالا و پایین تخمین VaR دارد.

دگیاناکیس (۲۰۰۴)

مدل FIAPARCH با توزیع شرطی تی-استیودنت چوله در محاسبه رفتار قیمت سهام در VAR روزانه‌ بسیار مناسب است.

ژانگ و چنگ (۲۰۰۵)

روشی را برای محاسبه VaR برای بازارهای سرمایه باترکیبی از روش‌های گاوسی ، الگوریتم و ریاضیات کاربردی برای بازدهی روزانه پیشنهاد داد.

یامی و یوشیبا (۲۰۰۵)

در بررسی مسئله “ریسک دنباله”^[۲۴۱]" در تخمین VaR این موضوع را در دو حوزه: پرتفوی اعتباری متمرکز و نرخ ارز، تحت آشفتگی بازار بررسی و قابلیت ریزش انتظاری را ثابت نمودند

چیو و همکاران (۲۰۰۵)

با بهره گرفتن از مدل‌های GARJI, ARJI و مدل نامتقارن GARCH به تجزیه و تحلیل شاخص بورس و نرخ ارز پرداختند. نتایج مطالعه ایشان نشان داد دقت و کارایی شاخص بورس و نوسانات نرخ ارز در سطوح اطمینان بالا و پایین در توزیع تی- استیودنت با کاهش پارامتر درجه آزادی، دم توزیع پهن‌تر و کشیدگی کوچکتر می‌شود.

پریتسکر (۲۰۰۶)

روش شبیه‌ساز تاریخی واکنش کمتر از حد با تغییر در ریسک شرطی و شرایط نامتقارن می‌دهد. همچنین ریسک بیشتر را در زمان زیان اندازه‌گیری می‌کند، اما این شرایط در زمان کسب سود بیشتر تحقق نمی‌یابد.

تانگ و شی (۲۰۰۶)

مدل‌های حافظه بلندمدت FIGARCH (1, d, 1) و HYGARCH (1, d, 1) با توزیع‌های نرمال، تی- استیودنت و تی- استیودنت چوله تخمین بهتری از VaR دارند.

الکساندر و لی (۲۰۰۶)

مسائل حداقل‌رسانی VaR و CVaR پرتفوی مشتقات معمولاً در قالب ریاضیاتی طراحی مناسبی^[۲۴۲] (فرموله سازگاری) نشده است. این محققین محدودیت هزینه وزنی را به عنوان یک معیار اولویت اضافه برای مشکل بهینه‌سازی CVaR پیشنهاد دادند