پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,069 |
| تعداد مشاهده مقاله | 125,677,484 |
| تعداد دریافت فایل اصل مقاله | 98,908,817 |
برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با استفاده از نظریۀ امکان و الزام فازی | ||
| تحقیقات مالی | ||
| مقاله 1، دوره 19، شماره 2، 1396، صفحه 193-216 اصل مقاله (457.78 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2017.218621.1006298 | ||
| نویسندگان | ||
| سید بابک ابراهیمی1؛ مژگان آقایی شیخ رضی* 2؛ نگین محبی3 | ||
| 1استادیار گروه مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 2دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 3کارشناس ارشد مهندسی مالی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| چکیده | ||
| یکی از نگرانی‌های اصلی سرمایه‌گذاران و مدیران مالی، نحوۀ رویارویی با ریسک سرمایه‌گذاری و نوسانهای بازده است؛ از این رو شناسایی، اندازه‌گیری و مدیریت ریسک، از موضوعات مهم در مباحث مالی تلقی می‌شود. در سال‌های اخیر، کانون توجه بسیاری از شرکت‌های مالی به معیار ارزش در معرض ریسک و ریزش مورد انتظار برای اندازه‌گیری ریسک پرتفوی است. از جمله مهمترین مشکلات روش‌های ارائه شده در اندازه‌گیری ریسک، در نظر نگرفتن عدم قطعیت موجود در داده‌های مالی است. به همین دلیل در پژوهش پیش رو برای تطابق بیشتر مدل با واقعیت، به برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با لحاظ عدم قطعیت داده‌ها، پرداخته می‌شود. در این رابطه از مفهوم متغیر تصادفی فازی و نظریۀ امکان و الزام فازی، بهمنظور پوشش عدم‌قطعیت موجود در داده‌های مالی، استفاده شده است. در نظر گرفتن عوامل ریسک بهصورت متغیر تصادفی، این امکان را برای سرمایه‌گذار فراهم می‌کند که با پذیرش سطح خاصی از عدم قطعیت، میزان ریسک پرتفوی خود را برآورد کند. علاوهبر این در پژوهش پیش رو، کلیه برآوردها با دو فرض توزیع نرمال و تی استیودنت انجام شده و نتایج بهدست آمده از حل مدل با داده‌های عددی، نشاندهندۀ این است که لحاظ توزیع t و نیز عوامل ریسک بهصورت متغیر تصادفی، سبب ایجاد برآوردهای محافظه‌کارانه‌تری برای دو سنجۀ مد نظر شده است. | ||
| کلیدواژه‌ها | ||
| ارزش در معرض ریسک؛ ریزش موردانتظار؛ عدم قطعیت؛ متغیرهای تصادفی فازی؛ نظریۀ امکان و الزام فازی | ||
| مراجع | ||
|
فلاحپور، س.؛ احمدی، ا. (2014). تخمین ارزش در معرض ریسک پرتفوی نفت و طلا با بهرهمندی از روش کاپیولا‌ـ گارچ. فصلنامۀ علمی ـ پژوهشی تحقیقات مالی، 16(2)، 326- 309. فلاحپور، س.؛ رضوانی، ف.؛ رحیمی، م. (2015). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدلهای ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. دانش مالی تحلیل اوراق بهادار، 8(26)، 18-1. گرجی، م.؛ سجاد، ر. (1395). برآورد ارزش در معرض خطر چند دوره‌ای بر پایۀ روش‌های شبیه‌سازی و پارامتریک. تحقیقات مالی، 18(1)، 184-167. عبده تبریزی، ح.؛ شریفیان، ر. (2001). بررسی اثر ریسک نامطلوب بر عملکرد تعدیل شده بر اساس ریسک شرکت‌های سرمایه‌گذاری پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 9(3)، 20-3. Abdoe-Tabrizi, H. & Sharifian, R.A. (2001). The impact of downside risk on risk-adjusted performance of investment companies in the (Tehran Stock Exchange). Quarterly Journal of Securities Exchange, 1(1), 35-70. (in Persian) Artzner, P. & Delbaen, F. & Eber, J.M. & Heath, D. (1997). Thinking coherently. Risk, 10, 68–71.
Assaf, A. (2015). Value-at-Risk analysis in the MENA equity markets: Fat tails and conditional asymmetries in return distributions. Journal of Multinational Financial Management, 29, 30-45.
Embrechts, P. & McNeil, A. & Straumann, D. (2002). Correlation and dependence in risk management: properties and pitfalls. Cambridge, Cambridge University Press.
Fallahpour, S. & Ahmadi, E. (2015). Estimating Value at Risk of Portfolio of Oil and Gold by Copula-GARCH Method. Journal of Financial Research, 16(2), 309-326. (in Persian)
Fallahpour, S. & Rezvani, F. & Rahimi, M. (2015). Forecasting Conditional Value-at-Risk by Using Symmetric & Asymmetric Conditional Volatility Models in Gold & Oil Market. Financial Knowledge of Securities Analysis, 8(26), 1-18. (in Persian)
Fama, E. (1965). The behavior of stocks market prices. Journal of Business, 38(1), 34–105.
Fang, K. T., Kotz, S. & Ng, K. W. (1987). Symmetric multivariate and related distributions. Chapman and Hall.
Glasserman, P. & Heidelberger, P. & Shahabuddin, P. (2002). Portfolio Value‐at‐Risk with Heavy‐Tailed Risk Factors. Mathematical Finance, 12(3), 239-269.
Hosking, J.R.M. & Bonti, G. & Siegel, D. (2000). Beyond the lognormal. Risk, 13 (5), 59–62.
Kamdem, J.S. & Moussa, A.M. & Terraza, M. (2012). Fuzzy risk adjusted performance measures: Application to hedge funds. Insurance: Mathematics and Economics, 51(3), 702-712.
Kamdem, J.S. (2005). Value-at-Risk and expected shortfall for linear portfolios with elliptically distributed risk factors. International Journal of Theoretical and Applied Finance, 8(05), 537-551.
Kamdem, J.S. (2009). Δ-VaR and Δ-TVaR for portfolios with mixture of elliptic distributions risk factors and DCC. Insurance: Mathematics and Economics, 44(3), 325-336.
Kelker, D. (1970). Distribution theory of spherical distributions and a location-scale parameter generalization. Sankhyā: The Indian Journal of Statistics, Series A, 32(4), 419-430.
Kjellson, B. (2013). Forecasting expected shortfall: an extreme value approach (Bachelor's Thesis), Lund university.
Kwakernaak, H. (1978). Fuzzy random variable definitions and theorems. Information Sciences, 15(1), 1-29.
Lopez, J.A. & Walter, C.A. (2000). Evaluating covariance matrix forecasts in a value-at-risk framework. Federal Reserve Bank of San Francisco.
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
Mandelbrot, B. (1963). The variation of certain speculative prices. Journal of Business, 36(4), 394 - 419.
Martins, C. & Yao, F. (2006). Estimation of value-at-visk and expected shortfall based on nonlinear models of return dynamics and extreme value theory. Berkeley Electronic Press.
McNeil, A.J. & Frey, R. (2000). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Journal of Empirical Finance, 7(3), 271-300.
Morgan, J.P. (1996). Riskmetrics technical document (4th ed.). New York.
Moussa, A. M., Kamdem, J. S., & Terraza, M. (2014). Fuzzy value-at-risk and expected shortfall for portfolios with heavy-tailed returns. Economic Modelling, 39, 247-256.
Olson, D. L. & Wu, D. (2013). The impact of distribution on value-at-risk measures. Mathematical and Computer Modelling, 58(9), 1670-1676.
Puri, M.L. & Ralescu, D.A. (1996). Fuzzy random variables. Journal of Mathematical Analysis & Applications, 114: 409–422.
Rostami Noroozabad, M. & Shojaei, A. & Khezri, M. & Rahmani Noroozabad, S. (2015). Estimation of value at risk of return in Tehran Stock Exchange using wavelet analysis. Journal of Financial Research, 17(1), 59-82. (in Persian)
Sajjad, R. & Gorji, M. (2016). Estimation of multi-period VaR based on the simulation and parametric methods. Journal of Financial Research, 18(1), 167-184. (in Persian)
Smimou, K. & Bector, C. R. & Jacoby, G. (2008). Portfolio selection subject to experts' judgments. International Review of Financial Analysis, 17(5), 1036-1054.
Yoshida, Y. (2009). An estimation model of value-at-risk portfolio under uncertainty. Fuzzy Sets and Systems, 160(22), 3250-3262.
Wang, Z. & Kilr, G.J. (1993). Fuzzy Measure Theory. Plenum Press, New York.
Zadeh, L.A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
Zimmermann, H.J.) 2001(. Fuzzy Set Theory and its Applications. Kluwer. | ||
|
آمار تعداد مشاهده مقاله: 1,062 تعداد دریافت فایل اصل مقاله: 1,391 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب