بهینه‌سازی سبد سهام صنایع مختلف در بورس اوراق بهادار تهران با استفاده از گارچ متعامد

محورهای موضوعی : اقتصاد مالی

سحر عابدینی ¹ , اسمعیل ابونوری ² , غلامرضا کشاورزحداد ³

1 - گروه اقتصاد، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران.
2 - گروه اقتصاد، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران.
3 - گروه اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران

تاریخ دریافت : 1402/09/15 تاریخ پذیرش : 1402/11/08 تاریخ انتشار : 1403/01/01

کلید واژه: گارچ متعامد, میانگین- ارزش در معرض خطر شرطی, میانگین-واریانس, واژه‌های کلیدی: بهینه‌سازی سبد سهام,

چکیده مقاله :

چکیده توسعه بازارهای مالی و بازار سهام نقش اساسی در توسعه اقتصادی دارد. با توجه به اینکه بازارهای مالی همواره با ریسک و نااطمینانی همراه می باشند و شوک و تلاطم در یک بازار بر بازارهای دیگر اثر می گذارد لذا از اهداف اصلی تحقیق حاضر شناسایی نوع توزیع سری های مالی (بازدهی سهام صنایع مختلف) و برآورد نااطمینانی و ریسک (تلاطم) آنها، تعیین وزن سهام در سبد سرمایه گذاری و همچنین شناسایی دقیق چگونگی تغییرات تلاطم و شدت همبستگی و تعاملات میان سهام صنایع مختلف طی زمان جهت حداکثرسازی منافع سرمایه گذاران و ارائه راهکارهای لازم به برنامه ریزان و سیاست گذاران برای مدیریت و توسعه بازار سهام می باشد. به منظور بهینه سازی سبد سرمایه گذاری، از آمار دادههای هفتگی شاخص قیمت 6 صنعت منتخب (انبوهسازی، بانکها و مؤسسات اعتباری، شیمیایی، خودرو، دارویی و فلزات اساسی) در بازه زمانی 07/01/1389 تا 29/10/1399 استفاده شده است. بدین منظور با استفاده از مدل گارچ متعامد و داده های هفتگی شاخص قیمت سهام صنایع مختلف، عناصر ماتریس واریانس– کواریانس شرطی بازدهی سهام (تلاطم) برآورد گردید، سپس اوزان بهینه سبد سهام با استفاده از اطلاعات بدست آمده و توزیع جنرال هیپربولیک t چوله (بعنوان نزدیکترین توزیع به توزیع بازدهی سهام مورد مطالعه بر اساس نتایج برآورد توزیع داده ها)، در چارچوب مدل های میانگین–واریانس کلاسیک ایستا و پویا و همچنین مدل میانگین–ارزش در معرض خطر شرطی ایستا، محاسبه و با هم مقایسه شد. بر اساس مدل میانگین-واریانس کلاسیک پویا (بعنوان مناسب ترین مدل)، بیشترین وزن در سبد سهام در دوره مورد مطالعه بترتیب مربوط به صنعت دارویی (0/6336) و صنعت شیمیایی (0/3539) بوده است.

چکیده انگلیسی:

Abstract The development of financial markets and the stock market play an essential role in economic development. Considering that financial markets are always associated with risk and uncertainty, and shocks and turbulence in one market affect other markets, therefore, one of the main objectives of this research is to identify the type of distribution of financial series (stock returns of different industries) and estimate their uncertainty and risk (turbulence), determining the weight of stocks in the investment portfolio, as well as accurately identifying how the volatility changes and the intensity of correlation and interactions between the stocks of different industries over time in order to maximize the interests of investors and provide the necessary solutions to planners and policy makers Investors are for managing and developing the stock market.In order to optimize, statistics related to the weekly price index data of  selected industries (mass housing, banks and credit institutions, chemical, automotive, pharmaceutical and basic metals) have been used. For this purpose, using orthogonal GARCH model and weekly data of stock price index of different industries in the period March 27, 2010 and January 18, 2021, the elements of the variance-conditional covariance matrix were estimated, Then, the stock portfolio was optimized using the obtained information and the distribution of general hyperbolic (GH) skewed t, in the framework of the static and dynamic classical Mean-Variance model as well as the static Mean-CVAR model. The results of fitting (estimation) of the data distribution show that the return distribution of the price index of the studied industries follows the distribution of the general hyperbolic skewed t; Based on the dynamic classical mean-variance model, the highest weight in the stock portfolio in the study period was related to the pharmaceutical (0/6336) and chemical industries (0/3539), respectively.

منابع و مأخذ:

فهرست منابع

• آشنا، ملیحه و لعل خضری، حمید، (1399). همبستگی پویای شاخص نااطمینانی سیاست اقتصادی جهانی با نوسان بازارهای سهام، ارز و سکه در ایران: کاربرد الگوی M-GARCH رهیافت DCC. فصلنامه مدلسازی اقتصادسنجی، 5(2)، 147-172.


• ابونوری، اسمعیل، تهرانی، رضا و شامانی، مسعود، (1397). عملکرد پورتفولیوهای مبتنی بر ریسک تحت شرایط مختلف در بازارسهام (شواهد تجربی از بازار سهام ایران). فصلنامه اقتصاد مالی، 12(45)، 51-71.


• تور، منصور، (1398). برآورد اثرات متقابل شوک و تلاطم بین صنایع مختلف در بازار سهام ایران با استفاده از مدل گارچ چندمتغیره فضایی. رساله دکتری، دانشکده اقتصاد، مدیریت و علوم اداری/ دانشگاه سمنان.


• راعی، رضا، باسخا، حامد و فدائی­نژاد، حسین، (1399). بهینه­سازی سبد سهام با استفاده از روش CVaR- Mean و رویکرد ناهمسانی واریانس شرطی متقارن و نامتقارن. تحقیقات مالی، 22(2)، 149-159.


• طالب نیا، قدرت اله و فتحی، مریم، (1389). ارزیابی مقایسه ‌ای انتخاب پرتفوی بهینه سهام در بورس اوراق بهادار تهران از طریق مدل های مارکویتز و ارزش در معرض خطر. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 3(6)، 71-94.


• فرمان­آرا، وحید، کمیجانی، اکبر، فرزین­وش، اسداله و غفاری، فرهاد، (1398). نقش بازار سرمایه در تأمین مالی و رشد اقتصادی (مطالعه موردی ایران و منتخبی از کشورهای در حال توسعه). فصلنامه اقتصاد مالی ، 13(47)، 19-37.


• فلاح­پور، سعید، راعی، رضا، فدائی­نژاد، محمداسماعیل و مناجاتی، رضا، (1398). ارائه مدلی جهت بهینه­سازی فعال سبد سهام با استفاده از ارزش در معرض ریسک شرطی؛ کاربردی از رویکرد مدل­های ناهمسانی واریانس شرطی برا اساس رویکرد الگوریتم . فصلنامه علمی پژوهشی دانش سرمایه­گذاری، 30، 37-49.


• میزبان، هدیه سادات، افچنگی، زهرا، احراری، مهدی، آروین، فرشاد و سوری، علی، (1391). بهینه­سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه­گیری ریسک. فصلنامه اقتصاد مالی، 6(19)، 205-227.


• نفیسی مقدم، مریم و فتاحی، شهرام، (1400). بررسی سرایت­پذیری و تلاطم قیمت نفت بر بازدهی بازار سهام، نرخ ارز و قیمت طلا در ایران: رویکرد VAR-DCC-GARCH چندمتغیره، موجک پیوسته و موجک متغیر با زمان. فصلنامه مدلسازی اقتصادسنجی، 6(3)، 33-62.

هاشمی نژاد ، محمد و عبداللهی، محمد رضا (1395). پیش­بینی ریسک مالی. شرکت اطلاع­رسانی و خدمات بورس: انتشارات بورس

• Alexander, C.O.(2000). A Primer on the Orthogonal GARCH Model. ISMA Centre, University of Reading, Working Paper.


• Alexander, C.O. (2002). Principal Component Models for Generating large GARCH Covariance Matrices. Economic Notes, 31(2), 337-359.


• Bauwens, L. L. (2005). A New Class of Multivariate Skew Densities, with Application to Generalized Autoregressive Conditional Heteroscedasticity Models. Journal of Business & Economic Statistics, 23(3).


• Bollerslev, T. (1990). Modeling the Coherence in Short-Run Nominal Exchange Rates: A Multivariate Generalized ARCH Model, Review of Economics and Statistics, 72, 498-505.


• Bollerslev, T., Engle, R., & Wooldridge, J. (1988). A Capital Asset Pricing Model with Time-Varying Covariances. Journal of Political Economy, 96, 31-116.


• Haff, H. I. (2006). The Generalized Hyperbolic Skew Student's t-Distribution. Journal of Financial Econometrics, 4(2), 275-309.


• Kandasamy, H. (2008). Portfolio Selection under Various Risk Measures. Ph.D. Thesis. Mathematical Sciences. Clemson University.


• Kumar, C., & Najmud Doja, M. (2018). A Novel Framework for Portfolio Selection Model Using Modified ANFIS and Fuzzy Sets. Journal of Computers,185(3), 453-485.


• Luo,C., Seco, L., & Wu, L. (2015). Portfolio Optimization in Hedge Funds by OGARCH and Markov Switching Model. Omega, 34-39.


• Marc, S. Paolella., Pawel, Polak., & Patrick, S. Walker. (2021). A Non-Elliptical Orthogonal GARCH Model for Portfolio Selection under Transaction Costs. Journal of Banking & Finance, 125, 19-51.


• McNeil, A. J., Frey, R., & Embrechts, P.(2010). Quantitative Risk Management: Concepts,Techniques, and Tools, Princeton University Press.


• Mishra, Amritkant. (2019). Crude Oil, Stock Market, and Foreign Exchange Return Volatility and Spillover: a GARCH DCC Analysis of Indian and Japanese Financial Market. Business Innovation and Research,20(1), 25-46.


• Rockafellar, R. T., & Uryasev, S . (2000). Optimization of Conditional Value-at-Risk. Journal of Risk. (221).


• Tse, Y.K., & Tsui, A.K.C. (2002). A Multivariate Generalized Autoregressive Conditional Heteroscedasticity Model with Time-Varying Correlations. Journal of Business and Economic Statistics, 20, 351–362.


• Tse, Y.K. & Tsui, A. K.C. (1998). A Multivariate GARCH Model with Time-Varying Correlations. Department of Economics National University of Singapore.


• Xiong, J. X., & Idzorek, T.M. (2011). the Impact or Skewness and Fat Tails on the Asset Allocation Decision. Financial Analysts Journal, 67(2), 23-35.


• Zinoviy, L., Udi, M., & Tomer, S. (2020). Analytic Solution to the Portfolio Optimization Problem in a Mean-Variance-Skewness Model, The European Journal of Finance, 26, 165-178.