|
1. رفرنس های متنی مثل خروجی کراس رف را در اینجا وارد کرده و تایید کنید
دادمهر، م. ص.؛ مهارتی، ی.؛ خوراکیان، ع.؛ و رحیمنیا، ف. (1402). پایداری تغییرات سازمانی در بانکهای خصوصی ایران: راهبردها و پیامدها. پژوهشنامۀ مدیریت تحول، 15 (30)، 147 188. 2. دهقان دهنوی، م. ع.؛ محرم اوغلی، ا.؛ و بائی، م. (1396). عوامل تعیینکنندۀ ریسکپذیری بانکها در ایران با تأکید بر ساختار مالکیت. تحقیقات مالی، 19(1)، 61 80. 3. شالیها, ز.؛ دقیقی اصلی، ع.؛ میرزایینژاد، م. ر.؛ و افشاری راد، م. (1400). تأثیر سیاستهای پولی و محیطهای تورمی بر حجم سپردۀ بانکهای خصوصی و دولتی در ایران (رهیافت دادههای تابلویی پویا). توسعه و سرمایه، 6 (2)، 227 244. 4. محبی، س.؛ محمدیان مصمم، ع. (۱۴۰۴). ارزیابی ریسک سیستمی با روش ارزش-در-معرض-خطر شرطی و توابع مفصل خوشهای در نظام بانکی ایران. علوم آماری، 19 (1)، 183 204. 5. میرعسکری، ر.؛ حسینی نساز، ح. (1396). تحلیل تأثیر متغیرهای کلان اقتصادی بر ریسک اعتباری بانکها. اقتصاد پولی، مالی، 24 (13)، 175 199. 6. نقدی، م.؛ شاهچرا، م.؛ و آقاسی، س. (3 1404). بررسی همزمانی تأثیرات ثبات و سودآوری در شبکهٔ بانکی کشور ایران (با تأکید بر روشهای مختلف اندازهگیری شاخص ثبات بانکی). پژوهشهای پولی-بانکی، 18 (63)، 199 226. 7. Adamko, P., Spuchľáková, E., & Valášková, K. (2015). The history and ideas behind VaR. Procedia Economics and Finance, 24, 18-24. [ DOI:10.1016/S2212-5671(15)00607-3] 8. Aniūnas, P., Nedzveckas, J., & Krušinskas, R. (2009). Variance-covariance risk value model for currency market. Engineering economics, 61(1). [ DOI:10.5755/j01.ee.61.1.11572] 9. Arias, M., Mendoza-Gutiérrez, J. C., & Pérez-Reyna, D. (2010). Applying CoVaR to measure systemic market risk: The colombian case. Temas de Estabilidad Financiera, 47, 351-364. [ DOI:10.32468/tef.47] 10. Astuti, P. E., & Gunarsih, T. (2021). Value-At-Risk analysis in risk measurement and formation of optimal portfolio in banking share. JBTI: Jurnal Bisnis: Teori Dan Implementasi, 12(2), 103-114. [ DOI:10.18196/jbti.v12i2.12263] 11. Babbel, D. F., & Santomero, A. M. (1997). Risk management by insurers: An analysis of the process (Working Paper No. 96-16). Wharton School, University of Pennsylvania. 12. Chen, C. (2004). An adaptive algorithm for quantile regression. Theory and Applications of Recent Robust Methods, pages 39-48. Springer, Basel. [ DOI:10.1007/978-3-0348-7958-3_4] 13. Duffie, D., & Pan, J. (1997). An overview of value at risk. Journal of derivatives, 4(3), 7-49. [ DOI:10.3905/jod.1997.407971] 14. Engle, R. F., & Manganelli, S. (2004). CAViaR: Conditional autoregressive value at risk by regression quantiles. Journal of Business and Economic Statistics, 22(4), 367-381. [ DOI:10.1198/073500104000000370] 15. Glosten, L. R., Jagannathan, R., and Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5): 1779-1801. Wiley Online Library. [ DOI:10.1111/j.1540-6261.1993.tb05128.x] 16. Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273. Oxford University Press. [ DOI:10.1093/rfs/hhaa009] 17. Hansen, B. E. (1994). Autoregressive conditional density estimation. International Economic Review, 705-730. [ DOI:10.2307/2527081] 18. Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2018). Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of finance and data science, 4(3), 183-201. [ DOI:10.1016/j.jfds.2018.04.003] 19. Härdle, W. K., Wang, W., & Yu, L. (2016). Tenet: Tail-event driven network risk. Journal of Econometrics, 192(2), 499-513. [ DOI:10.1016/j.jeconom.2016.02.013] 20. James, G., Witten, D., Hastie, T., Tibshirani, R., et al. (2013). An introduction to statistical learning, volume 112. Springer. [ DOI:10.1007/978-1-4614-7138-7] 21. Keilbar, G., & Wang, W. (2022). Modelling systemic risk using neural network quantile regression. Empirical Economics, 62(1), 93-118. [ DOI:10.1007/s00181-021-02035-1] 22. Koenker, R. and Bassett Jr, G. (1978). Regression quantiles. Econometrica: Journal of the Econometric Society, 33-50. JSTOR. [ DOI:10.2307/1913643] 23. Koenker, R. and Hallock, K. F. (2001). Quantile regression. Journal of Economic Perspectives, 15(4):143-156. American Economic Association. [ DOI:10.1257/jep.15.4.143] 24. Kupiec, P.H. (1995). Techniques for verifying the accuracy of risk measurement models. The Journal of Derivatives, 3, 73-84. [ DOI:10.3905/jod.1995.407942] 25. Leavens, D. H. (1945). Diversification of investments. Trusts and Estates, 80(5):469-473. 26. Markowitz, H. M. (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91. [ DOI:10.1111/j.1540-6261.1952.tb01525.x] 27. Mosammam, A. M. (2015). Kalman filter: A simple derivation. Mathematics and Statistics, 3(1), 41-45. [ DOI:10.13189/ms.2015.030203] 28. Mohebbi, S., & Mosammam, A. M. (2025). Comparative analysis of modified LQR and SVQR models for VaR prediction in financial time series. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5557777. [ DOI:10.2139/ssrn.5557777] 29. Ngan, N. T., & Nghia, H. T. (2018). Forecasting value at risk: Evidence from emerging economies in Asia. VNUHCM Journal of Economics-Law and Management, 2(1), 77-90. [ DOI:10.32508/stdjelm.v2i1.504] 30. Roy, A. D. (1952). Safety first and the holding of assets. Econometrica, 20(3), 431-450. [ DOI:10.2307/1907413] 31. Vaniya, K., Talaviya, R., & Gor, R. (2022). Estimating the Value at Risk Using Monte Carlo Simulation. IOSR Journal of Mathematics (IOSR-JM), 18(4 Ser. IV), 16-23. 32. Shim, J. Y., & Hwang, C. H. (2011). Forecasting volatility via conditional autoregressive value at risk model based on support vector quantile regression. Journal of the Korean Data & Information Science Society, 22(3), 589-596. 33. Shumway, R. H. and Stoffer, D. S. (2000). Time series analysis and its applications. 3rd edition. New York: Springer. [ DOI:10.1007/978-1-4757-3261-0] |
