برآورد ارزش در معرض خطر شرطی(CVaR) با در نظرگرفتن استواری سنجه بر مبنای روش استوار کیپرا

*       فلاح پور سعید، رضوانی فاطمه، رحیمی محمدرضا. (1394). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدلهای ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. مجله دانش مالی تحلیل اوراق بهادار، 8(26)،1-18.‎

*       کشاورز حداد غلام‌رضا، صمدی باقر. (1388). برآورد و پیش‌بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر: کاربردی از مدلهای خانوده .FIGARCH مجله تحقیقات اقتصادی، 1(44)، 193-235.

*       محمدیان امیری احسان، ابراهیمی سید بابک، افراسیابی نژاد مریم. (1396). ارائه رویکردی جدید جهت برآورد استوار ارزش در معرض ریسک؛ رهیافت مقایسه‌ای. مجله مهندسی صنایع و مدیریت دانشگاه صنعتی شریف، زیر چاپ.

*       Acerbi, C., & Tasche, D. (2002). Expected shortfall: a natural coherent alternative to value at risk. Economic notes, 31(2), 379-388.

*       Angelidis, T., Benos, A. and Degiannakis, S. (2004) The use of GARCH models in VaR estimation. Statistical methodology, 1(1), pp.105-128.

*       Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.

*       Christoffersen, P. F. (1998). Evaluating interval forecasts. International economic review, 841-862.

*       Cipra, T. (1992). Robust exponential smoothing.  Journal of Forecasting, 11(1), 57-69.

*       Croux, C., Gelper, S., & Mahieu, K. (2011). Robust control charts for time series data. Expert Systems with Applications, 38(11), 13810-13815.

*       Dimson, E., & Marsh, P. (1990). Volatility forecasting without data-snooping. Journal of Banking & Finance, 14(2), 399-421.

*       DUAN, J. S., & GONG, Z. Y. (2011). The Stock Index Futures Market Price Risk Measurement System——Empirical Study Based on CVaR-GARCH-R/S Fractal [J]. Journal of Shanxi Finance and Economics University, 5, 004.

*       Gelper, S., Fried, R., & Croux, C. “Robust forecasting with exponential and Holt–Winters smoothing”, Journal of forecasting, 29(3), pp. 285-300 )2010).

*       Gencay, R., & Selcuk, F. (2004). Extreme value theory and Value-at-Risk: Relative performance in emerging markets. International Journal of Forecasting, 20(2), 287-303.

*       Kim, M., & Lee, S. (2016). Nonlinear expectile regression with application to Value-at-Risk and expected shortfall estimation. Computational Statistics & Data Analysis, 94, 1-19.

*       Kupiec, P. H. (1995). Techniques for verifying the accuracy of risk measurement models. The J. of Derivatives, 3(2).

*       Kjellson, B. (2013). Forecasting Expected Shortfall: An Extreme Value Approach.

*       Lopez, J. A. (1999). Methods for evaluating value-at-risk estimates. Economic review, 2, 3-17.

*       Mendes, R. R. A., Paiva, A. P., Peruchi, R. S., Balestrassi, P. P., Leme, R. C., & Silva, M. B. (2016). Multiobjective portfolio optimization of ARMA–GARCH time series based on experimental designs. Computers & Operations Research, 66, 434-444.

*       Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 347-370.

*       Pagan, A. R., & Schwert, G. W. (1990). Alternative models for conditional stock volatility. Journal of econometrics, 45(1), 267-290.

*       Yamai, Y., & Yoshiba, T. (2002). Comparative analyses of expected shortfall and value-at-risk: their estimation error, decomposition, and optimization. Monetary and economic studies, 20(1), 87-121.

*      Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and control, 18(5), 931-955