بهینه سازی پورتفوی با استفاده از معیار ریسک CVaR و لحاظ کردن مدل GJR-GARCH و Extreme Value Theory
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 878
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMI01_135
تاریخ نمایه سازی: 20 دی 1394
Abstract:
در این مقاله به منظور بهینه سازی سبد سرمایه گذاری، از مدل GJR-GARCH استفاده می کنیم و با استفاده از روش حداکثر درست نمایی پارامترهای مدل و در نتیجه نوسان پذیری شرطی را برای بازده ها برآورد می نماییم. آزمون های آماری بر این نکته تاکید دارند که جملات یا پسماندهای خطا به طور تقریبی یک سری با جملات مستقل و توزیع مشابه را تشکیل می دهند که دارای دم های پهن می باشند. ما از شبیه سازی مونت کارلو و نظریه Extreme Value استفاده می کنیم تا توزیع جملات خطا را تعیین کنیم. اکنون می توان توزیعی از بازده ها را با استفاده از توزیع پسماند و تخمین میانگین و نوسان پذیری شرطی تشکیل داد. سپس بازده های حاصل را با استفاده از مدل میانگین- CVaR بهینه می کنیم. در نهایت یک بار نیز بازده ها را از طریق شبیه سازی مونت کارلو و بدون در نظر گرفتن مدل GARCH و EVT تولید می کنیم و پورتفوی را با استفاده از مدل میانگین- CVaR بهینه می سازیم. مقایسه نتایج این دو رویکرد نشان می دهد که مدل اول در برآورد CVaR بهتر عمل کرده و پورتفوی بهینه حاصل از در نظر گرفتن توزیع دم در بررسی ریسک، به نزدیک تر شدن مدل بهینه سازی به واقعیت کمک شایانی می کند.
Keywords:
Authors
آیدا اطمینان
دانشجوی کارشناسی ارشد مهندسی مالی، ، دانشکده مهندسی صنایع و سیستمهای مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران
علی محمد کیمیاگری
دانشیار گروه مهندسی صنایع و سیستمهای مدیریت، دکتری مدیریت صنعتی، دانشگاه صنعتی امیرکبیر، تهران، ایران،
اکبر اصفهانی پور
استادیار گروه دانشکده مهندسی صنایع و سیستم های مدیریت، دکتری مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :