بررسی قدرت تبیین سنجههای ریسک طیفی، منسجم، انحراف و شبکههای عصبی مصنوعی و کاربرد آنها در انتخاب سبد بهینه سرمایه گذاری در بورس اوراق بهادار تهران
محورهای موضوعی : دانش سرمایهگذاریحمیدرضا کاتبی 1 , غلامرضا زمردیان 2
1 - دانشجوی کارشناسی ارشد مهندسی مالی دانشگاه آزاد واحد تهران جنوب، تهران، ایران.
2 - استادیار عضو هیأت علمی دانشکده مدیریت دانشگاه آزاد واحد تهران مرکز، تهران، ایران.(نویسنده مسؤل).
کلید واژه: ریسک طیفی, ریسک انحراف, ریسک منسجم, آزمون کوپیک, آزمون کریستوفرسن,
چکیده مقاله :
هدف مطالعه حاضر مقایسه کارایی مدل های شبکه عصبی و سنجههای موجود در دسته سنجههای ریسک در تشکیل پرتفوی بهینه است. ابتدا اطلاعات سری زمانی مربوط به نرخ بازده شرکت های مختلف طی سال های 95-1386 از بانکهای اطلاعاتی سازمان بورس و اوراق بهادار ایران گردآوری شده و در چارچوب مدل های شبکه عصبی و سنجه های ریسک طیفی، انحراف و منسجم با استفاده از آزمونهای کوپیک ، کریستوفرسن و لوپز مورد تجزیه و تحلیل قرار گرفته اند. از نتایج آزمونهای کوپیک و کریستوفرسن برای مدل های شبکه عصبی و CVaR مشخص گردید مقدار آماره آزمون LR برای تمامی گروه شرکتهای تحت بررسی بزرگتر از مقدار بحرانی است؛ بر این اساس نتیجه گیری شد که عملکرد مدل های شبکه عصبی و معیار CVaR در سطح معنیداری 5 درصد برای تمامی گروه شرکتها قابل استناد میباشد و برای سنجه SE، آماره آزمون LR برای تمامی گروه شرکتها کوچکتر از مقدار بحرانی است؛ که گویای آن است که عملکرد معیار SE برای تمامی گروه شرکتها در سطح معنیداری 5 درصد قابل استناد نمیباشد. از سوی دیگر، بر اساس نتایج آزمون کوپیک و کریستوفرسن برای سنجه VaR نیز، مقدار آماره آزمون LR برای شش گروه شرکت بزرگتر از مقدار بحرانی و برای چهار گروه شرکت کوچکتر از مقدار بحرانی بوده است. بر این اساس میتوان گفت که در مدل های شبکه عصبی مصنوعی متوسط تعداد تخطی ها یا حالت استثنا در سطح معنیداری 5 درصد کمتر از سنجههای ریسک طیفی، انحراف و منسجم میباشد.
The purpose of the present study was to compare the efficiency of neural network models and available criteria in risk criteria in optimal portfolio formation. At first, time series data related to the return rate of different companies were collected from the databases of the Securities and Exchange Organization of Iran since 2008-2017, and analyzed in the framework of neural network models and Spectral, Deviation and Coherent risk measures by using Kupiec, Christofferssen and Lopez test. The results of the Kupiec and Christofferssen test for neural network models and CVaR, showed that the LR test statistic for the whole group of investigated companies was larger than the critical value. Based on this, it was concluded that the performance of neural network models and CVaR criteria can be acceptable for the entire group of companies at a significant level of 5% and the LR test statistic is lower than the critical value for SE criteria for the whole group of investigated companies. This suggests that SE's performance is not acceptable to all companies at a significant level of 5%. On the other hand, based on the results of Kupiec and Christofferssen test for VaR, the LR test statistic for the six groups of companies was larger and for the four was smaller than the critical value. Therefore, we can say that in artificial neural network models, the average number of violations or the state of exception in the level of 5% were less than the spectral, deviation and coherent risk measures.
* زراءنژاد، منصور، حمید، شهرام، (1388)، "پیشبینی نرخ تورم در اقتصاد ایران با استفاده از شبکههای عصبی مصنوعی پویا (دیدگاه سری زمانی)"، فصلنامه اقتصاد مقداری، (1)6: 167-145.
* زمردیان، غلامرضا. (1394). "مقایسه توان تبیین مدلهای ناپارآمتریک و مدلهای شبکه عصبی در سنجش میزان ارزش در معرض خطر پرتفوی شرکتهای سرمایهگذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران"، مجله مهندسی مالی و مدیریت اوراق بهادار، 24: 90-73.
* رهنمای رودپشتی، فریدون، قندهاری، شراره، (1394). "برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران"، مجله مهندسی مالی و مدیریت اوراق بهادار، 113-91.
* سجاد، رسول، گرجی، مهسا. (1391). "برآورد ارزش در معرض خطر با استفاده از روش باز نمونهگیری بوت استرپ"، فصلنامه مطالعات اقتصادی کاربردی ایران، 1(1): 164-137.
* شاهمرادی، اصغر، زنگنه، محمد، (1386). "محاسبه ارزش در معرض خطر برای شاخصهای عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک"، مجله تحقیقات اقتصادی، 42(2): 139-121.
* طالب نیا، قدرت اله، فتحی، مریم. (1389). "ارزیابی مقایسهای انتخاب پرتفوی بهینه سهام در بورس اوراق بهادار تهران از طریق مدلهای مارکویتز و ارزش در معرض خطر"، مجله مطالعات مالی، 6: 93-71.
* طرازکار، محمد حسن، (1384)، "پیشبینی قیمت برخی محصولات زراعی در استان فارس، کاربرد شبکه عصبی مصنوعی"، پایان نامه کارشناسی ارشد، گروه اقتصادکشاورزی دانشگاه شیراز.
* فاست، لوران. (1392). "مبانی شبکههای عصبی، ساختارها، الگوریتمها و کاربردها"، ترجمه ویسی، هادی، مفاخری، کبری و باقری شورکی، سعید. نشر نص، تهران.
* قدیمی، محمدرضا، مشیری، سعید، (1381)، "مدلسازی و پیشبینی رشد اقتصادی ایران با استفاده از شبکههای عصبی مصنوعی"، فصلنامه پژوهشهای اقتصادی ایران، 12: 127-95.
* کیانی هرچگانی، مائده، نبوی چاشمی، سیدعلی، معماریان، عرفان، (1393)، "بهینهسازی سبد سهام بر اساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از روش الگوریتم ژنتیک"، فصلنامه علمی پژوهشی دانش سرمایهگذاری، 3(11): 164-125.
* مهرابی بشرآبادی، حسین، کوچکزاده، سمیه، (1388)، "مدلسازی و پیشبینی صادرات محصولات کشاورزی ایران: کاربرد شبکههای عصبی مصنوعی"، مجله اقتصاد و توسعه کشاورزی، (1)23: 58-49.
* منهاج، محمد باقر، (1387)، "مبانی شبکههای عصبی (هوش محاسباتی)"، دانشگاه صنعتی امیرکبیر، مرکز نشر پرفسور حسابی، چاپ پنجم.
* نبوی چاشمی، سیدعلی، پورباباگل، حمزه، داداش پورعمرانی، احمد، (1391). "ارزیابی عملکرد تخمین زنندههای ارزش در معرض خطر با استفاده از الگوریتم ژنتیک"، دانش سرمایهگذاری، 1(1): 42-13.
* نصرتی، هاشم، پاکیزه، کامران، (1393)، "تخمین ذخیره سرمایه ریسک عملیاتی در صنعت بانکداری با استفاده از رویکرد توزیع زیان (LDA)"، مجله مهندسی مالی و مدیریت اوراق بهادار، 20: 26-1.
* نقاده، حمیده، فیروزان سرنقی، توحید، (1396)، "ارائه الگویی برای تعیین نرخ سود در عقود مبادلهای با استفاده از شبکههای عصبی مصنوعی"، فصلنامه پژوهشهای اقتصادی، (1)17: 72-45.
* نوروززاده، پیام، (1385). "کارایی روشهای اندازهگیری دارایی در خطر در بورس تهران"، همایش آیندهپژوهی، فناوری و چشمانداز توسعه، تهران، دانشگاه صنعتی امیرکبیر.
* Abad, C., and Iyengar, G. (2014). “Portfolio selection with multiple spectral risk constraints”, SIAM Journal on Financial Mathematics, 6(1), 467-486.
* Aminian, F, Surez, E, Dante Aminian, M, and Walz, D. (2007). “Forecasting Economic Data with Neural Networks”, Journal of Computational Economics, 28: 71–88
* Artzner, P, Delbaen, F, Eber J.M, and Heath, D. (1999), Coherent measures of risk. Mathematical Finance, 9:203–28.
* Christoffersen, P. F. (1998). "Evaluating Interval Forecasts", International Economic Review, 39(4): 841-862.
* Kupiec, P. (1995). "Techniques for Verifying the Accuracy of Risk Measurement Models", Journal of Derivatives, 73-84.
* Lopez, J. (1999). “Methods for Evaluating Value-at-Risk estimates, Federal Reserve Bank of San Francisco”, Economic Review, 2: 3-17.
* Jorion, P. (2006). “Value at risk: the new benchmark for managing financial risk (3 ed.)”.
* *Rockafellar, R. T, and Uryasev, S. (2002). “Conditional value-at-risk for general loss distributions”, Journal of Banking and Finance, 26:1443–1471
_||_