en تخمین ارزش در معرض خطر مبتنی بر مدل‌های لوی – گارچ: a,hind hc بورس اوراق بهادار تهران اقتصاد Economics پژوهشی اصیل - كاربردی Original Research - Empirical &nbsp; ارزش در معرض خطر، یک معیار مهم اندازه‌گیری ریسک در بازارهای مالی است که ریسک بازار را در یک عدد بیان می‌کند. روش‌هایی برای محاسبه این معیار ریسک، نظیر روش پارامتریک، شبیه‌سازی تاریخی و شبیه‌سازی مونت کارلو وجود دارند که در اکثر متون مربوط به ریاضی مالی و مهندسی مالی، بیان شده‌اند. این روش‌ها از محدودیت‌هایی در محاسبات خود پیروی می‌کنند؛ این در حالی است که در صورت بروز پیچیدگی‌هایی در مدل‌سازی‌های مالی، استفاده از این روش‌های محاسبه، به اندازه کافی کارا نیست، چرا که استفاده از این روش‌ها، مستلزم در نظر گرفتن یک سری از فرضیات نظیر؛ در نظر گرفتن توزیع‌های متقارن در مورد توزیع احتمال بازده دارایی‌ها است. در این مطالعه ارزش در معرض ریسک، با استفاده از مدل&shy;های <span dir="LTR">GARCH</span>، <span dir="LTR">APARCH</span> و <span dir="LTR">GJR</span> با توزیع‌های نرمال، تی استیودنت، تی استیودنت چوله و لوی که توزیع‌های لوی شامل؛ توزیع معکوس گاوسی نرمال <span dir="LTR">NIG)</span>) و توزیع هذلولی تعمیم یافته (<span dir="LTR">GHyp</span>)، تخمین زده شده است. در این تحقیق، برای اندازه‌گیری ریسک، از چهار شاخص که شامل؛ شاخص قیمت‌های سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در صنایع شیمایی، فلزات اساسی، خودرو و سیمان استفاده شده است. دوره‌ زمانی در این تحقیق شامل دوره هفت ساله با تواتر روزانه طی دوره 05/01/1392 تا 28/12/1398 می‌باشد. نتایج تحقیق نشان داد که، مدل <span dir="LTR">GJR</span> با در نظر گرفتن توزیع‌های لوی و <span dir="LTR">t-Student</span> مورد استفاده در بین سایر مدل‌ها از دقت بیشتری برخوردار است.<span dir="LTR"></span> This paper aims to estimate the Value-at-Risk (VaR) using GARCH type models with improved return distribution. Value at Risk (VaR) is an essential benchmark for measuring the risk of financial markets quantitatively. The parametric method, historical simulation, and Monte Carlo simulation have been proposed in several financial mathematics and engineering studies to calculate VaR, that each of them has some limitations. Therefore, these methods are not recommended in the case of complications in financial modeling since they require considering a series of assumptions, such as symmetric distributions in return on assets. Because the stock exchange data in the present study are skewed, asymmetric distributions along with symmetric distributions have been used for estimating VaR in this study. In this paper, the performance of fifteen VaR models with a compound of three conditional volatility characteristics including GARCH, APARCH and GJR and five distributional assumptions (normal, Student&rsquo;s t, skewed Student&rsquo;s t and two different L&eacute;vy distributions, include normal-inverse Gaussian (NIG) and generalized hyperbolic (GHyp)) for return innovations are investigated in the chemical, base metals, automobile, and cement industries. To do so, daily data from of Tehran Stock Exchange are used from 2013 to 2020. The results show that the GJR model with NIG distribution is more accurate than other models. According to the industry index loss function, the highest and lowest risks are related to the automotive and cement industries. توزیع لوی, ارزش در معرض خطر, مدل‌ گارچ, مدیریت ریسک Lévy Distribution, Value at Risk (VaR), GARCH Model, Risk Management. 165 186 http://jme.mbri.ac.ir/browse.php?a_code=A-10-479-1&slc_lang=en&sid=1 Hossein Amiri حسین امیری h.amiri@khu.ac.ir 10031947532846004816 10031947532846004816 Yes Faculty of Economics, Kharazmi University عضو هیات علمی دانشکده اقتصاد، دانشگاه خوارزمی Mahmood Najafi Nejad محمود نجفی نژاد mahmoodnajafi24@gmail.com 10031947532846004817 10031947532846004817 No Faculty of Economics, Kharazmi University دانش آموخته کارشناسی ارشد Seyede Mohadese Mousavi سیده محدثه موسوی mosavi8145@gmail.com 10031947532846004818 10031947532846004818 No Faculty of Economics, Kharazmi University دانش آموخته کارشناسی ارشد