بهینه سازی پورتفوی با استفاده از معیار ریسک CVaR و لحاظ کردن مدل GJR-GARCH و Extreme Value Theory
- سال انتشار: 1393
- محل انتشار: کنفرانس بین المللی مدیریت و مهندسی صنایع
- کد COI اختصاصی: ICMI01_135
- زبان مقاله: فارسی
- تعداد مشاهده: 868
نویسندگان
دانشجوی کارشناسی ارشد مهندسی مالی، ، دانشکده مهندسی صنایع و سیستمهای مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران
دانشیار گروه مهندسی صنایع و سیستمهای مدیریت، دکتری مدیریت صنعتی، دانشگاه صنعتی امیرکبیر، تهران، ایران،
استادیار گروه دانشکده مهندسی صنایع و سیستم های مدیریت، دکتری مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران
چکیده
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.کلیدواژه ها
بهینه سازی پورتفوی، CVaR ، EVT ، GARCH ، TSEمقالات مرتبط جدید
- بررسی تاثیر تیم پروژه بر عملکرد مالی با در نظر گرفتن نقش میانجی موفقیت در مدیریت پروژه
- پیش بینی دمای هوا با استفاده از شبکه توابع پایه شعاعی
- پیش بینی آنلاین رسوب خاکستر در سطح گرمایشی بویلر بر اساس تحلیل موجک و رگرسیون بردار پشتیبان
- پیش بینی قیمت سکه و طلا با استفاده از یادگیری ماشین و داده های موجود در بستر اینترنت
- آینده هوش مصنوعی: فرصت ها و چالش ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.