شاهمرادی، ا؛ زنگنه؛ م. ۱۳۸۶٫ محاسبه ارزش در معرض خطر برای شاخص های عمده بورس اوراق بهادار تهران با بهره گرفتن از روش پارامتریک. تحقیقات اقتصادی، شماره ۷۹، ص۱۲۱-۱۴۹

(( 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. ))

شاهویری، م؛ امیری، م؛ نصرالهی، ز. ۱۳۸۹٫ مقایسه مدل خودرگرسیونی واریانس ناهمسانی شرطی تعمیم یافته و شبیه سازی مونت کارلو برای تخمین ارزش درمعرض ریسک پورتفولیوی ارز. پژوهشنامه اقتصادی، شماره ۳، ص ۱۴۱-۱۱۷
صمدی، م؛ مهدوی، غ. ۱۳۹۱٫ بررسی مقایسه ای ارزش در معرض خطر با بهره گرفتن از روش شبیه سازی مونت کارلوی تعدیل نشده و تعدیل شده. پژوهشنامه بیمه، شماره۱، ص ۴۹-۷۳
کشاورز حداد، غ؛ صمدی، ب. ۱۳۸۸٫ برآورد و پیش بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر: کاربردی از مدل های خانواده FIGARCH . تحقیقات اقتصادی، شماره ۸۶
محمدی، ش؛ راعی، ر؛ تهرانی، ر؛ فیض آباد، آ. (۱۳۸۸). مدل سازی نوسان در بورس اوراق بهادار تهران. تحقیقات مالی، دوره ۱۱ شماره ۲۷، ص ۹۷-۱۱۰
نصیری، س؛ محمدی، ت. ۱۳۸۹٫ مقایسه مدل های ریسک متریک و گارچ در پیش بینی نوسانات شاخص بازده کل بورس اوراق بهادار تهران. مطالعات مالی،شماره ۶، ص ۹۵-۱۱۸
سایتهای اینترنتی
Zavari rezai, A. 1390. Financial Physics: It’s Implications and Place in a Financial System. available from: http://azrurmia.blogfa.com/post-1169.aspx. [ Accessed 1390/01/15]

منابع غیرفارسی

Books
Aydemir, A. B., Volatility Modelling in Finance, In Knight, J., and Satchell, S., 2002, Forecasting Volatility in the Financial Markets, Butterworth-Heinemann Finance, Second Edition, 1-45.
Chatfield, Chris, 1995, The Analysis of Time Series: An Introduction, Fifth Edition, 1-4, 10-12, 27-28, 31,
Enders, W., 2004, Applied Econometric Time Series, John Wiley & Sons, Inc., Second Edition, 50
Greene, William H., 2003, Econometric Analysis, Pearson Education, Inc., Fifth Edition,
Gujarati, Damodar N., 2004, Basic Econometrics, The McGraw-Hill Companies, Fourth Edition,
Tsay, Ruey S., 2005, Analysis of Financial Time Series, John Wiley & Sons, Inc., Second Edition,
Researchs
Abad, P. & Benito, S. (2009) A Detailed Comparison of Value at Risk in
International Stock Exchanges; Fundación De Las Cajas De Ahorros,Documento De Trabajo (452/2009), 1-45
Akigiray, V. 1989. Conditional heteroscedasticity in time series of stock returns.
Journal of Business, 62, 55−۸۰٫
Alberg D., Shalit H., and Yosef R. 2006. Estimating Stock Market Volatility using Asymmetric GARCH Models , Discussion paper No. 06-10, Monaster Center for Economic Research. Ben-Gurion University of the Negev , Israel.
Bali, T. G., Mo, H. and Tang, Y., 2008, The Role of Autoregressive Conditional Skewness and Kurtosis in the Estimation of Conditional VaR, Journal of Banking & Finance, 32: 269-282.
Bildirici, M., Ersin, O. O. 2009. Improving forecasts of GARCH family models with the artificial neural networks: An application to the daily returns in Istanbul stock exchange. Expert Systems with Applications, 36: 7355–۷۳۶۲
Bohdalová, M. (2007) A Comparison of Value-at-Risk Methods for Measurement of the Financial Risk; E-Leader, Prague, 1-6.
Brailsford, T. J., & Faff, R. W. 1996. An evaluation of volatility forecasting techniques. Journal of Banking and Finance, 20, 419−۴۳۸٫
Cumby, R., Figlewski, S., & Hasbrouck, J. 1993. Forecasting volatility and correlations with EGARCH models. Journal of Derivatives, 1, 51−۶۳٫
Davidson, R., and Mackinnon, J. G., 1999, Foundations of Econometrics, Oxford Press,
D. E. Allen, R. R. Boffey and R. Powell.2011. A Quantile Monte Carlo approach to measuring extreme credit risk. School of Accounting, Finance and Economics & FEMARC Working Paper Series, Edith Cowan University
Dimson, E. and Marsh, P.R. 1990.Volatility forecasting without data-snooping. Journal of Banking and Finance, 14,399-421.
Engel,R.F. and Jose, G.Rangel. 2006. The Spline GARCH Model for Uncontional Volality and its Global Macroeconomic Causes, Working Paper, New York University.
Engelbrecht, R. (2003) A Comparison of Value-at-Risk Methods for Portfolios
Consisting of Interest Rate Swaps and FRAs; Master Thesis, University of
the Witwatersrand.
Floros C., (2008). Modelling volatility using GARCH models: Evidence from Egypt and Israel, Middle Eastem Finance and Economics, Vol. 2, pp. 31-41.
Franses, P. H. and Dijk, D. V., 1996, Forecasting Stock Market Volatility Using (Non-Linear) Garch Models, Journal of Forecasting, 15, 229-235.
Gavrishchaka, V.V & Banerjee, S. 2006. Support vector machine as an efficient framework for stock market volatility forecasting, CMS , 3
Hassan, M. R., Nath, B., Kirley, M. 2007. A fusion model of HMM, ANN and GA for stock market forecasting., Expert Systems with Applications, 33: 171–۱۸۰
Huang, A.Y., 2010. An optimization process in Value-at-Risk stimation. Review of Financial Economics, 19(3), pp. 109-16
Figlewski, S. 1997. Forecasting volatility. Financial Markets, Institutions and Instruments,6, 1−۸۸٫
Mapa, D. S., 2004, A Forecast Comparison of Financial Volatility Models: GARCH(1,1) is not Enough, The Philippine Statistician, 53(1-4), 1-10.
Mittnik, S., and Paolella, M. S., 2000, Conditional Density and Value-at-Risk Prediction of Asian Currency Exchange Rates, Journal of Forecasting, 19, 313-333.
Pagan, A. R., & Schwert, W. 1990. Alternative models for conditional stock volatility. Journal of Econometrics, 45, 267−۲۹۰٫
Palit, A. K. and Popovic, D., 2005, Computational Intelligence in Time Series Forecasting : Theory and Engineering Applications, Springer-Verlag London Limited,
Pan H, Zhang Z .2005. Forecasting financial volatility: Evidence from chine’s stock market, Working papers in economics and finance, No 06/02, University of Durham.