ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک

محورهای موضوعی : دانش سرمایه‌گذاری

سید علی نبوی چاشمی ¹ , حمزه پورباباگل ² , احمد داداش پورعمرانی ³

1 - استادیار و عضو هیات علمی دانشگاه آزاد اسلامی، واحد بابل
2 - کارشناس ارشد مهندسی مالی
3 - کارشناسی ارشد مهندسی مالی، دانشگاه آزاد اسلامی، واحد بابل

تاریخ دریافت : 1391/02/15 تاریخ پذیرش : 1391/03/25 تاریخ انتشار : 1391/03/25

کلید واژه: ارزش در معرض خطر, ایمنی سرمایه‌گذاری, الگوریتم ژنتیک, topsis فازی,

چکیده مقاله :

یکی از پرکاربردترین سنجه‌های ریسک، ارزش در معرض خطر(var) می‌باشد که کاربرد آن به شدت از دهه 1990 به بعد افزایش یافته است. به موازات افزایش کاربرد ارزش در معرض خطر در حوزه مدیریت ریسک، اعتبارسنجی تخمین زننده‌های var نیز از اهمیت بسزایی برخوردار شده اند. در اکثر روش‌های رایج پیش آزمایی، بازده نهایی حاصله از کاربرد تخمین زننده در تخمین var در نظر گرفته نمی‌شود، که این مطلب برای سرمایه گذاران با درجه ریسک پذیری بالا نمی‌تواند مطلوب باشد. آنچه که این تحقیق را از سایر تحقیقات انجام پذیرفته در زمینه پیش آزمایی مدل‌های تخمین var، متمایز می‌سازد، در نظر گرفتن همزمان بازده واقعی حاصله از کاربرد تخمین زننده و زیان ایجاد شده به عنوان معیاری از دو شاخص ریسک و بازده می‌باشد که مبنای اصلی در حوزه مطالعات مالی می‌باشند. از طرفی به دلیل نسبی بودن ریسک و بازده از نظر سرمایه گذاران وزن این دو شاخص را فازی در نظر گرفتیم. در این تحقیق به منظور بهینه سازی پرتفوی، از معیار نخست- ایمنی استفاده کرده ایم. به منظور بهینه سازی تابع هدف در این معیار نیازمندیم که کوانتایل بازده پرتفوی ریسکی را تخمین بزنیم که بدین منظور از تخمین زننده‌های رایج var به منظور ارزیابی آنها، بهره بردیم. از طرفی با توجه به غیر محدب بودن تابع var و دلایل دیگر، به منظور بهینه سازی از یکی از معروف ترین الگوریتم‌های فرا ابتکاری یعنی الگوریتم ژنتیک استفاده شده است. یافته‌های تحقیق نشان دهنده محافظه کار بودن روش‌های GEV و HS نسبت به روش‌های پارامتریک می‌باشد. از طرفی روش شبیه سازی تاریخی علی رغم سادگی محاسباتی، بهترین عملکرد را از خود نشان داده است.

چکیده انگلیسی:

Value at Risk (VaR) is the maximum loss which could be incurred within a given time horizon, except for a small percentage, that its application has sharply increased after the 90s. Parallel to the increase in usage of value-at-risk in risk management areas, validation of VaR measures has gain great importance. In prevalent back testing approaches, returns which are yielded from VaR estimators are not regarded as a criterion. It's may not be desirable for the investors who emphasize on return more than the risk. What distinguishes this study from other researches in the field of back testing VaR estimation models is the simultaneous consideration of actual return and loss(CVaR) which were yielded from VaR estimators  as criteria of risk and return that are the primary basis for financial studies. On the other hand, due to relativeness of risk and return in terms of investors, we considered the weight of these two indexes as fuzzy. In this paper, we constitute and optimize our risky portfolio with safety-first investor's rule. We need to estimate quantile of risky portfolio's return in objective function of safety-first investor's rule to optimize the portfolio. VaR estimators were used to calculate it. On the other hand, given the non- convexity of VaR function and also other reasons, we applied one of the most popular meta-heuristic models namely genetic algorithms for optimization. Our findings show that GEV and HS models are more conservative than parametric models (t-student and normal) and also have better performance in portfolio optimization. The empirical findings also indicate that safety-first investor will choose significantly different amounts of borrowing. Thus, the scale of the risky portfolio and the amount borrowed is diverse across methods. There is another interesting finding. Despite the computational simplicity of historical simulation method, it has shown the best performance of all.