عنوان رساله/پایان نامه

تعیین ضریب ریسک نوسانات قیمت سهام در آیین نامه 69 شورای عالی بیمه جهت محاسبه نسبت توانگری مالی شرکت های بیمه

نام دانشجو

اعظم هنردوست

مقطع تحصیلی

دکتری

رشته تحصیلی

مالی گرایش بیمه

استاد راهنمای اول

دکتر رضا راعی

استاد راهنمای دوم

استاد راهنمای سوم

استاد مشاور اول

دکتر سعید فلاحپور

استاد مشاور دوم

دکتر عزت اله عباسیان

استاد مشاور سوم

استاد داور اول

دکتر سعید شیرکوند

استاد داور دوم

دکتر غدیر مهدوی کلیشمی

استاد داور سوم

دکتر سعید باجلان

استاد داور چهارم

دکتر سعید صحت

روز دفاع (مثلا: دوشنبه)

دوشنبه

تاریخ دفاع (مثلا: 15/11/1397)

15/07/1398

ساعت دفاع (مثلا:  14:30)

17:15

مکان (ساختمان و کلاس)

ساختمان امام رضا کلاس 301

چکیده رساله/پایان‌نامه

استفاده از مدل‌های مناسب جهت ارزیابی ریسک‌ها و نحوه سالانه نمودن آن‌ها همواره در محاسبه نسبت توانگری مالی شرکت‌های بیمه مورد توجه بوده است. هدف اصلی این پژوهش در حقیقت یافتن مدلی مناسب جهت تعیین ضریب ریسک سالانه نوسانات قیمت سهام در محاسبه نسبت توانگری مالی شرکت‌های بیمه است که سنجه تعیین آن به تبعیت از کمیته بازل در بانکداری، توانگری مالی II اروپا و تست توانگری سوئیس، معیار ارزش در معرض ریسک دنباله در سطح اطمینان 99 درصد می‌باشد. در این راستا با دو مساله پیش‌بینی دقیق نوسانات که لازمه برآورد ارزش در معرض ریسک و ارزش در معرض ریسک دنباله در رویکردهای پارامتریک است؛ و نحوه سالانه نمودن ریسک بازار مواجه هستیم. لذا برای پیش‌بینی نوسانات از روش‌های پارامتریک گارچ نمایی و مدل چرخشی مارکوف گارچ و روش ناپارامتریک گارچ نمایی- ماشین فوق یادگیری و برای سالانه نمودن آن‌ها از قاعده جذر زمان استفاده شد. همچنین به منظور توجه به مساله سالانه نمودن ریسک، روش شبیه‌سازی تاریخی فیلتر شده نیز بکار گرفته شده است. نتایج با استفاده‌های داده‌های روزانه و ماهانه شاخص کل در بازه زمانی 01/01/1388 الی 29/12/1396 نشان می‌دهد که بر اساس آزمون مک‌نیل و فری و در سطح اطمینان 95 درصد تنها دو مدل گارچ نمایی-ماشین فوق یادگیری و گارچ نمایی از قابلیت اتکای لازم در پیش‌بینی ارزش در معرض ریسک دنباله برخوردار بوده و در رتبه‌بندی صورت گرفته بر اساس دو تابع زیان اولسن، و آنجلیدیس و دگیاناکیس و استفاده از رویه مجموعه اطمینان مدل، مدل گارچ نمایی-ماشین فوق یادگیری در رتبه نخست قرار دارد. لذا در پاسخ به دو مساله مورد بررسی در این پژوهش می‌توان گفت بهترین مدل برای پیش‌بینی نوسانات، مدل گارچ نمایی-ماشین فوق یادگیری بوده و برای سالانه نمودن ارزش در معرض ریسک دنباله نیز در مقابل روش شبیه‌سازی تاریخی فیلتر شده، قاعده جذر زمان عملکرد بهتری داشته است.