استفاده از بتای افت سرمایه در تصمیم گیری مدیران برای تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران
محورهای موضوعی : حسابداری و مالیرضا حدادزاده 1 , عزت اله عباسیان 2
1 - گروه مالی، دانشکده حسابداری و علوم مالی، پردیس بین¬المللی کیش، دانشگاه تهران، تهران، ایران
2 - دانشیار اقتصاد، گروه مدیریت دولتی، دانشکده مدیریت دانشگاه تهران
کلید واژه: بتا, بتای افت سرمایه, پشیمانی (تأسف) مورد انتظار افت سرمایه (ERoD), افت سرمایه در معرض ریسک شرطی (CDaR), بهینه سازی پرتفوی,
چکیده مقاله :
چكيده
در این مقاله، به منظور ارتقای کیفیت تصمیمگیری مدیران در تشکیل پرتفوی بهینه، در محاسبه ریسک پرتفوی، از یک معیار جدید و پویایی به نام پشیمانی (تأسف) مورد انتظار افت سرمایه (ERoD)[1] استفاده شده است. این معیار، در واقع میانگینی از افت سرمایه‌های بیش از یک حد یا آستانهی مشخصی (مثلا، 20 درصد) است (دینگ و اوریاسف 2022)[2]. ERoD تا حدی شبیه افت سرمایه در معرض ریسک شرطی (CDaR)[3] است که در واقع، میانگین درصد معینی از بزرگترین افت سرمایه‌ها تعریف می‌شود. اما بتای ERoD دارای مزیتهایی نسبت به بتای CDaR میباشد. بتای ERoD منفی[4]، اوراق بهاداری را شناسایی می‌کند که در زمان‌هایی که بازار، افت‌های سرمایه فراتر از آستانه را تجربه می‌کند، بازده مثبت دارند. پس بتای ERoD تنها آن بازه‌های زمانی را در نظر می‌گیرد که بازار در وضعیت افت سرمایه قرار دارد؛ لذا از نظر مفهومی با بتای استاندارد که حرکات بالا و پایین بازار را تشخیص نمی‌دهد، تفاوت دارد. در این مقاله، بتای CDaR و ERoD برای 30 سهم فعال در بورس اوراق بهادار تهران با بتای استاندارد مقایسه شده و مشخص شد علاوه بر آن که بتاهای CDaR و ERoD در طول زمان ثبات دارند، در مواقعی که شاخص کل بورس تهران در شرایط ریزش و افت سرمایه قرار دارد، این بتاها، برای محاسبه ریسک و تشکیل پرتفوی بهینه، معیار بهتری را نسبت به بتای استاندارد در اختیار مدیران سرمایهگذاری قرار میدهد تا براساس آن، برای تشکیل پرتفوی بهینه، تصمیمات با کیفیتتری بگیرند.
In this article, a new and dynamic metric called Expected Regret of Drawdown (ERoD) is employed to enhance the decision-making quality of managers in forming an optimal portfolio by calculating portfolio risk. This metric essentially represents the average of capital drawdowns that exceed a specific threshold (e.g., 20%). The Expected Regret of Drawdown is somewhat similar to Conditional Drawdown at Risk (CDaR), which is defined as the average of a certain percentage of the largest drawdowns. However, Expected Regret of Drawdown Beta has advantages over CDaR Beta. A negative ERoD Beta identifies securities that generate positive returns during periods when the market experiences drawdowns beyond the threshold. Therefore, ERoD Beta only considers those time periods when the market is in a drawdown state. Conceptually, this differs from standard Beta, which does not distinguish between upward and downward market movements.
In this article, the Conditional Drawdown at Risk (CDaR) Beta and the Expected Regret of Drawdown (ERoD) Beta for 30 stocks listed on the Tehran Stock Exchange were compared with the standard Beta. It was found that, in addition to being stable over time, during periods when the Tehran Stock Exchange index experiences declines and capital drawdowns, these betas offer a better measure for calculating risk and forming optimal portfolios compared to the standard Beta. This provides investment managers with a more reliable tool for making higher-quality decisions when constructing optimal portfolios.
Rui Ding & Stan Uryasev (2022). Drawdown beta and portfolio optimization, Quantitative Finance, DOI: 10.1080/14697688.2022.2037698
W. F. Sharpe, "Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk," J. Finance, vol. 19, no. 3, pp. 425-442, 1964.
R. T. Rockafellar and S. Uryasev, "Conditional Value-at-Risk for general loss distributions," J. Bank. Finance, vol. 26, pp. 1443-1471, 2002.
H. Khan and R. Lehman, "Risk and Drawdowns," in Finding Alphas: A Quantitative Approach to Building Trading Strategies, 2nd ed., WorldQuant Virtual Research Center, 2020, pp. 102-110.
J. Sagi, "Regret theory and risk aversion," J. Econ. Theory, vol. 138, no. 1, pp. 16-37, 2006.
R. F. Engle, "Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation," Econometrica, vol. 50, no. 4, pp. 987-1007, 1982.
P. Artzner, F. Delbaen, J. M. Eber, and D. Heath, Coherent measures of risk, Math. Finance, 9 (1999), pp. 203-228.
N. Barberis and R. Thaler, A survey of behavioral finance, Handbook of the Economics of Finance, 1 (2003), pp. 1053-1128.
H. Shefrin, Behavioral Corporate Finance: Decisions that Create Value, McGraw-Hill Irwin, 2007.
E. F. Fama and K. R. French, Common risk factors in the returns on stocks and bonds, J. Financial Econ., 33 (1993), pp. 3-56.
J. Y. Campbell, A. W. Lo, and A. C. MacKinlay, The Econometrics of Financial Markets, Princeton University Press, 1997.
D. Bekaert and C. R. Harvey, Emerging equity market volatility, J. Financial Econ., 43 (1997), pp. 29-77.
J. B. Guerard Jr., Quantitative Corporate Finance, Springer, 2007.
H. K. Baker and G. Filbeck, Emerging Markets: Performance, Analysis and Innovation, Oxford University Press, 2013.
C. Acerbi and D. Tasche, On the coherence of expected shortfall, J. Banking Finance, 26 (2002), pp. 1487-1503.
G. S. Fishburn, Mean-risk analysis with risk associated with below-target returns, Amer. Econ. Rev., 67 (1977), pp. 116-126.
R. T. Rockafellar and S. Uryasev, Optimization of conditional value-at-risk, J. Risk, 2 (2000), pp. 21-41.
M. Statman, Regret theory and risk aversion, Rev. Finan. Stud., 2 (1989), pp. 78-93.
R. H. Thaler, Advances in Behavioral Finance, Russell Sage Foundation, 1993.
D. Kahneman and A. Tversky, Prospect theory: An analysis of decision under risk, Econometrica, 47 (1979), pp. 263-291.
K. G. J. Binswanger, Stock return predictability in emerging markets, Emerging Markets Review, 1 (2000), pp. 289-329.
R. T. Rockafellar and S. Uryasev, Conditional Value-at-Risk for general loss distributions, J. Bank. Finance, 26 (2002), pp. 1443-1471.
A. Chekhlov, S. Uryasev, and M. Zabarankin, Drawdown measure in portfolio optimization, Int. J. Theor. Appl. Finance, 8 (2005), pp. 13-58.
R. Engle, Dynamic conditional correlation: A simple class of multivariate GARCH models, J. Bus. Econ. Stat., 20 (2002), pp. 339-350.
H. Markowitz, Portfolio selection, J. Finance, 7 (1952), pp. 77-91.
B. Barberis, M. Huang, and T. Santos, Prospect theory and asset prices, Q. J. Econ., 116 (2001), pp. 1-53.
I. D. Baierl and M. S. Chen, Asset allocation using extreme value theory, J. Portf. Manag., 27 (2001), pp. 19-27.
J. Y. Campbell and L. Hentschel, No news is good news: An asymmetric model of changing volatility in stock returns, J. Financ. Econ., 31 (1992), pp. 281-318.
J. Hull and A. White, Value at risk when daily changes in market variables are not normally distributed, J. Deriv., 5 (1998), pp. 9-19.
P. Jorion, "Value at Risk: The New Benchmark for Managing Financial Risk," 3rd ed., McGraw-Hill, 2007.
M. Stutzer, "Mean-drawdown Risk Behavior," 2000.
Z. Bai, J. Liu, C. Wong, and W. Zhu, "Stochastic Portfolio Optimization: A Regret-Based Approach on Volatility Risk Measures," Empirical Evidence from The New York Stock Market, 2009.
Chekhlov, A., Uryasev, S., & Zabarankin, M. (2003). Portfolio optimization with drawdown constraints. In Supply Chain and Finance (pp. 209-228). Springer.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307-327
Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384
Zabarankin, M., Pavlikov, K., & Uryasev, S. (2013). Capital Asset Pricing Model (CAPM) with drawdown measure. European Journal of Operational Research, 234(2), 508-517
Larni Fooeik, A. M., Ghanbari, H., Sadjadi, S. J., & Mohammadi, E. (2024). Behavioral Finance Biases: A Comprehensive Review on Regret Approach Studies in Portfolio Optimization. International Journal of Industrial Engineering & Production Research, 35(1), 1-23.