دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

پرتفوی سرمایه‌گذاری بر پایه ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (CVaR) با تاکید بر نقش توزیع بازده

نوع مقاله : مقاله پژوهشی

نویسندگان
حسینعلی حیدرزاده 1
فریدون رهنمای رودپشتی 2
علیرضا رشیدی کمیجان 3
سید اسماعیل نجفی 4
1 دانشجوی دکتری ،گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران،ایران
2 استاد گروه حسابداری و مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 دانشیار، گروه مهندسی صنایع، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
4 دانشیار، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
10.30495/jik.2024.77119.4480
چکیده
در این مطالعه عملکرد پرتفوی VaR و CvaR بر پایه توزیع‌های احتمال بازده مورد مقایسه قرار گرفت. برای این منظور از بازده سهام 28 نماد فعال گروه محصولات شیمیایی بورس اوراق بهادار تهران طی دوره فروردین 1398 تا مرداد 1402 استفاده شد. نتایج بر پایه حل دستگاه‌های برنامه ریزی خطی با الگوریتم بهینه‌سازی ازدحام ذرات، نشان داد که تشکیل پرتفوی بر پایه ارزش در معرض ریسک/شرطی منجر به عملکرد (نسبت بازده به ریسک) بالاتر در مقایسه با روش مینیمم واریانس می‌شود. تفکیک نتایج عملکرد پرتفوی بر اساس توزیع احتمالی بازده سهام نشان داد که ارزش در معرض ریسک/شرطی بر پایه توزیع تجربی داده‌ها و در سطوح اطمینان 90، 95 و 99 درصد، عملکرد مطلوب‌تری را فراهم می‌کند و نسبت بازده به ریسک پرتفوی برای پرتفوی حاصل از توزیع تجربی داده‌ها بالاتر است.صرفنظر از مطلوبیت روش VaR و CvaR در تشکیل پرتفوی نسبت به پرتفوی‌های مینیمم واریانس، محاسبه توزیع بازده بر پایه توزیع تجربی، مورد مطلوب در بازار سرمایه ایران است.
کلیدواژه‌ها
ارزش در معرض ریسک
پرتفوی
توزیع بازده

عنوان مقاله English

Investment portfolio based on value at risk (VaR) and conditional value at risk (CVaR) with emphasis on the role of return distribution

نویسندگان English

Hoseinali Heydarzadeh 1
Fraydoon Rahnamay roodposhti 2
Alireza Rashidi komijan 3
Seyed Esmaeil Najafi 4
1 Department of Industrial Management & Economic, Science and Research Branch
2 Department of Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Department of Industrial Engineering, Firoozkoh Branch, Islamic Azad University, Firoozkoh, Iran
4 Department of Industrial Engineering, Science and Research Branch, Islamic Azad University,Tehran, Iran
چکیده English

In this study, VaR and CvaR portfolio performance was compared based on return probability distributions. For this purpose, the stock returns of 28 active symbols of chemical products group of Tehran Stock Exchange during the period from April 2019 to August 2023 were used. The results based on the solution of linear programming with the particle swarm optimization algorithm showed that the formation of portfolio based on VaR/CVaR leads to higher performance (return to risk ratio) compared to the minimum variance method. The separation of the portfolio performance results based on the probability distribution of stock returns showed that the VaR/CVaR based on the empirical distribution of data and at the confidence levels of 90, 95 and 99 percent, provides more favorable performance and the ratio of return to portfolio risk for the portfolio resulting from the empirical distribution of the data is higher.Regardless of the usefulness of VaR and CvaR methods in portfolio formation compared to minimum variance portfolios, calculating the return distribution based on the empirical distribution is desirable in the Iranian capital market.

کلیدواژه‌ها English

Value at Risk
Portofolio
Return Distribution

  • ·        بابالویان، شهرام؛ چگینی، مژگان (1394). مقایسه مدل مارکویتز و ارزش در معرض ریسک شرطی و کاربرد آنها در تشکیل سبد سرمایه‌گذاری در بورس اوراق بهادارتهران. کنفرانس بین المللی پژوهشهای نوین در مدیریت و مهندسی صنایع.

    ·        خادم پور آرانی، عباس، کیقبادی، امیر رضا، معدنچی زاج، مهدی؛ زمردیان، غلامرضا (1401). مدل تلفیقی چند هدفه و اقتصادسنجی جهت بهینه‌سازی پرتفوی سهام. پژوهش‌های حسابداری مالی و حسابرسی، 14(54)، 263-292.

    ·        فلاح شمس، میرفیض؛ صادقی، امیر (1400). بهینه‌سازی پورتفوی با استفاده از رویکرد کاپولا و ارزش در معرض ریسک چند متغیره شرطی در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری، 10(40)، 205-226.

    • فلاح‌پور، سعید، راعی، رضا، فدائی‌نژاد، محمداسماعیل؛ 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 بر اساس رویکرد الگورتیم DE. دانش سرمایه‌گذاری، 8(30)، 37-50.
    • Aljinovi´c, Z.; Marasovi´c, B.; Šestanovi´c, T. (2021). Cryptocurrency Portfolio Selection—A Multicriteria Approach. Mathematics, 9, 1677.
    • Batrancea, L.; Rathnaswamy, M.K.; Batrancea, I. (2021). A Panel Data Analysis on Determinants of Economic Growth in Seven Non BCBS Countries. J. Knowl. Econ. 13, 1651–1665.
    • Benati, S.; Conde, E. (2021). A relative robust approach on expected returns with bounded CVaR for portfolio selection. Eur. J. Oper. Res. 296, 332–352.
    • Bodnar, T.; Lindholm, M.; Niklasson, V.; Thorsén, E. (2022). Bayesian portfolio selection using VaR and CVaR. Appl. Math. Comput. 427, 127120.
    • Burney, S.M.; Jilani, T.; Tariq, H.; Amjad, U. (2019). A Portfolio Optimization Algorithm Using Fuzzy Granularity Based Clustering. Broad Res. Artifical Intell. Neurosci. 10, 159–173.
    • Chen, Z.P.; Lin, R.Y. (2006). Mutual fund performance evaluation using data envelopment analysis with new risk measures. OR Spectr, 28, 375–398.
    • Chyzak, F., Nielsen, F. (2019). A closed-form formula for the Kullback-Leibler divergence between Cauchy distributions. arXiv:1905.10965
    • Gabrielli, P.; Aboutalebi, R.; Sansavini, G. (2022). Mitigating financial risk of corporate power purchase agreements via. Energy Econ., 109, 105980.
    • Kaucic, M. (2019). Equity portfolio managment with cardinality constraints and risk parity control using multi-objective particale swarm optimization. Comput. Oper. Res., 109, 300–316.
    • Lamb, J.D.; Tee, K.-H. (2012). Data envelopment analysis models of investment funds. Eur. J. Oper. Res. 216, 687–696.
    • Li, M.; Lei, D.; Cai, J. (2019). Two-level imperialist competitive algorithm for energy-efficient hybrid flow shop scheduling problem with relative importance of objectives. Swarm Evol. Comput., 49, 34–43.
    • Liu, C.; Yin, Y. (2018). Particle swarm optimised analysis of investment decision. Cogn. Syst. Res., 52, 685–690.
    • Markowitz, H. (1952). Portfolio selection. J. Financ. 7, 77–91.
    • Strub, M.S.; Li, D.; Cui, X.; Gao, J. (2019). Discrete-Time Mean-CVaR Portfolio Selection and Time-Consistency. J. Econ. Dyn. Control., 108, 103751.
    • Xiao, H.; Ren, T.; Zhou, Z.; Liu, W. (2021). Parameter uncertainty in estimation of portfolio efficiency: Evidence from an interval diversification-consistent DEA approach. Omega, 103, 102357
    • Yin, Z.; Gao, Q. (2019). A Novel Imperialist Competitive Algorithm for Scheme Configuration Rules Extraction of Product Service. Procedia Cirp, 80, 762–767
    • Zhang, H. (2020). Optimization of risk control in financial markets based on particale swarm optimization algorithm. J. Comput. Appl. Math, 368, 112530.
    • Zhou, Z.; Gao, M.; Xiao, H.; Wang, R.; Liu, W. (2021). Big data and portfolio optimization: A novel approach integrating DEA with multiple data sources. Omega, 104, 102479.