نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه تربیت مدرس

چکیده

اامروزه صنایع غذایی و دارویی به عنوان یکی از صنایع مزیت‌دار در اقتصاد کشور مطرح است. سرمایه‌گذاری در این صنایع می‌توان بصورت مستقیم یا غیرمستقیم (از طریق بازار سهام) صورت گیرد. یکی از مهمترین مولفه‌های تصمیم‌گیری به سرمایه‌گذاری غیرمستقیم در این صنایع، آگاهی از میزان ریسک بازاری قیمت سهام صنایع فعال در این حوزه می‌باشد. نظر به محدودیت‌های روش‌های اندازه‌گیری ریسک بازار، هدف اصلی پژوهش حاضر ارائه سازکاری جامعی برای اندازه‌گیری ریسک بازاری سهام صنایع غذایی و دارویی می‌باشد که علاوه بر پوشش نواقص روش‌های اندازه‌گیری جاری ریسک، می‌تواند مقدار کمّی ریسک بازدهی سهام صنایع را در حالت‌های رونق و رکود استخراج نماید و امکان مقایسه نمودن ریسک صنعت را با صنایع دیگر فراهم می‌نماید. در پژوهش حاضر با استفاده از مدل‌های تلفیقی خانواده GARCH-مارکوف اقدام به استخراج ریسک بازاری بازده سهام صنایع غذایی، قندو شکر و دارو بصورت روزانه طی دوره 6 ساله 1388 تا 31/4/1394 پرداخته شده است. نتایج تحقیق نشان می‌دهد که بازدهی شاخص سهام صنایع غذایی و دارویی از انتقالات رژیمی تبعیت نموده و دارای ساختار نامتقارنی مبتنی بر توزیع‌های غیرنرمال می‌باشد. با بررسی متوسط ریسک صنایع برای یکسال پایانی دوره مورد مطالعه، مشاهده گردید که ریسک بازدهی صنعت دارو کمتر از ریسک صنایع غذایی می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Development of a new model to measure the market risk of the food and pharmaceutical industries index by using GARCH- Markov Consolidated models

چکیده [English]

Today, the food and pharmaceutical industries is as one of the well-known advantages industries in the economy. Invest in this industry is done in form of directly or indirectly (through stock markets). One of the most important components of the decision in the indirectly investment in this industries is awareness to the level of market risk of stock price of the active industries in this area. Due to the limitations of market risk measurement methods, in this paper, we proposed a comprehensive mechanism to measure of the stock market risk for food and pharmaceutical industries. This mechanism in addition to covering the shortcomings of the current methods of the risk measurement can extract the return risk of industries in the states of boom and bust and provide the possibility to compare the industry risk with other industries. Industries in this study include: the food, sugar and drugs for daily period of 1388 to 31.4.1394 by using of GARCH- Markov Consolidated models. The results showed that the return of the sugar and drugs industries follow from regime transfers and have got the asymmetric structure based on abnormal distributions. Also the risks for the medicine, food and sugar industries are respectively lower

کلیدواژه‌ها [English]

  • Value at Risk
  • Markov Chain Process
  • food and pharmaceutical industries
برزگر، مهدی. (1393). نقدی بر مدل‌های تک رژیمی در بازارهای مالی ایران و مروری بر رفتارهای رژیمی صنایع منتخب. پایان‌نامه کارشناسی ارشد مهندسی مالی. مدرسه کسب و کار استیونس آمریکا. ## خالوزاده، حمید و نسیبه امیری. (1385). تعیین سبد سهام بهینه در بازار بورس ایران بر اساس نظریه ارزش در معرض ریسک. تحقیقات اقتصادی، 73: 211-232. ## جان، هال. (2010)، مبانی مهندسی مالی و مدیریت ریسک. ترجمه سجاد سیاح و علی صالح‌آبادی، ناشر: شرکت کارگزاری مفید. ## سارنج، علی‌رضا. (1391). ارائه مدلی برای تبیین رفتار انتقالات رژیمی در بورس اوراق بهادار تهران با استفاده از فرایند سوئیچینگ مارکوف. رساله دکترا مدیریت مالی، دانشکده مدیریت دانشگاه تهران. ## سحابی، بهرام، مهدی ذوالفقاری، نادر مهرگان و علیرضا سارنج. (1394). تدوین شاخص ارزیابی و رتبهبندی شرکت‌های فعال در حوزه نفت و فرآورده‌های نفتی بر حسب ریسک نوسانات نرخ ارز. فصلنامه مطالعات اقتصاد انرژی 44: 85-62. ## صادقی،حسین و خالد احمدزاده. (1387). بررسی نقش فرهنگ پس انداز، سرمایه گذاری و کارآفرینی اقتصادی در تولید. مهندسی فرهنگی، 20: 34-26. ## راعی، رضا، شاپور محمدی و علیرضا سارنج. (1393). پویایی‏های بورس اوراق بهادار تهران با استفاده از مدل گارچ‌نمایی در میانگین سوئیچینگ مارکوف. تحقیقات مالی، 1: 98-77. ## رادپور، میثم و حسین عبده تبریزی. (1391). اندازه‌گیری و مدیریت ریسک بازار
رویکرد ارزش در معرض ریسک، انتشارات پیشبرد، تهران. ## فقیهیان، فاطمه. (1394). بررسی انتقالات رژیمی در بازارهای مالی ایران در حوزه صنایع غذایی، رساله دکترای مدیریت مالی، دانشگاه ازمیر، ترکیه. ## شاهمرادی، اصغر و محمد زنگنه. (1388). محاسبه ارزش در معرض خطر برای شاخص­های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک.  تحقیقات اقتصادی، 79: 149-121. ## کشاورز حداد، غلامرضا و باقر صمدی. (1389). برآورد و پیش­بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر. مجله تحقیقات اقتصادی 86: 235-195. ## لطفعلی، بابک. (1384). اندازه گیری ریسک بازار با ارزش در معرض خطر برای سبد سهام در بانک صنعت و معدن، دانشکدة مدیریت و اقتصاد. پایان نامة کارشناسی ارشد. ## منجذب، محمدرضا.(1381).  مزیت نسبی صنایع غذایی و صنایع پوشاک ایران، پژوهشنامه اقتصادی 4: 124-95.
Assaf, A. (2015). Value-at-Risk analysis in the MENA Equity Markets: Fat Tails and Conditional Asymmetries in Return Distributions. Journal of Multinational Financial Management, 29: 30–45. ##Cabedo, J.D. & I. Moya. (2003a). Estimating oil Price ‘Value at Risk’ using the Historical Simulation Approach. Energy Economics, 25: 239-253. ##Dueker, M., C.J. Neely (2009). Can Marcov Switching Models Predict Excess Foreign Exchange Rate?. Journal of Banking and Finance, 31:279-296. ##Engel, R.(2001). The Use of ARCH/GARCH Models in Applied. Journal of Economic Perspectives, 15: 157- 168. ##Engel, R., & T.Bollereslev. (1986). Generalized Autoregressive Conditional Hetrokedasticity, Journal of Econometrics 31:307-327. ##Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59: 347-370. ##Hamilton, J.D. (1989). A New Approach to the Economic Analysis of No Stationary Time Series and the Business. Economical, 57: 357-384. ## Ismail and Isa. (2008). Identifying Regime Shifts in Malaysian Stock Market Returns, Journal of Finance and Economics. 38: 44- 57. ##Sadorsky, P. (2011). Modeling and Forecasting Petroleum Futures Volatility. Journal of Energy Economics, 28:467-488. ##Tang & Shieh. (2010). Forecasting Volatility and Volume in the Tokyo Stock Market: Long Memory, Fractality and Regime Switching. Journal of Economic Dynamics & Control , 31:1808-1843.