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

الموضوعات :

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

تاريخ الإرسال : 22 الأربعاء , جمادى الأولى, 1445 تاريخ التأكيد : 16 الأحد , رجب, 1445 تاريخ الإصدار : 10 الأربعاء , رمضان, 1445

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

ملخص المقالة :

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.

المصادر:

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.