نقش پیش بینی ریسک و تحمل ریسک در مدیریت نمونه کارها: مطالعه موردی از بخش مالی چین

1 و

دریافت: 10 ژانویه 2022 / اصلاح شده: 8 مارس 2022 / پذیرفته شده: 10 مارس 2022 / منتشر شده: 15 مارس 2022

چکیده

تصمیمات نمونه کارها تحت تأثیر نوسانات بازارهای مالی و سطح تحمل ریسک سرمایه گذاران قرار می گیرد. برای تخصیص بهتر اوراق بهادار ؛ما با در نظر گرفتن سهم ریسک اجزای نمونه کارها ، تحمل ریسک را به مسئله مدیریت نمونه کارها معرفی می کنیم. در این مقاله ، وزن نمونه کارها به دو مرحله اختصاص می یابد. در مرحله اول ، خطرات نمونه کارها و سهم ریسک هر سهم پیش بینی می شود. در مرحله دوم ، ما با توجه به سه سطح استاندارد تحمل ریسک ، سه روش وزنه برداری - "پرخاشگرانه" ، "متوسط" و "محافظه کار" را مطرح کردیم. علاوه بر این ، یک اندازه گیری ریسک جدید به نام "احتمال خطر شدید مشترک" (JERP) ، با تحمل ریسک در نظر گرفته شده است. مطالعه موردی از صنعت مالی چین برای تأیید عملکرد روشهای ما انجام شده است. نتایج تجربی نشان می دهد که تکنیک های وزنه برداری محدود به تحمل ریسک منجر به افزایش بیشتر در یک بازار عادی و ضرر کمتری در هنگام خطر ابتلا به بازار می شود. در مقایسه با استراتژی های تنظیم شده با تحمل ریسک ، رابطه بین عملکرد ارزش شرطی سنتی در روش به حداقل رساندن ریسک (CVAR) و سطح ریسک بازار به وضوح کمتر نشان داده شده است. از نتایج ، JERP به عنوان یک سیگنال مؤثر عمل می کند که به سرمایه گذاران کمک می کند تا با خطرات احتمالی بازار مقابله کنند.

1. مقدمه

تجارت بین ریسک و بازده یک مسئله کلاسیک در مدیریت نمونه کارها است. سرمایه گذاران به دنبال یک نمونه کارها بهینه هستند که با آن می توان حداکثر بازده را بدست آورد. در میان همه عواملی که بر تصمیمات نمونه کارها تأثیر می گذارد ، تحمل ریسک ، که نشان می دهد میزان اینکه فرد مایل به ریسک پذیری است ، نقش مهمی ایفا می کند. اصول دیرینه از نظریه های تصمیم گیری ، قدمت به کار دانیل برنولی [1] ، این است که مردم ریسک پذیر هستند ، حداقل برای تصمیم گیری با نتایج در دامنه سود و برای پیامدهای مختلط که شامل سود و ضرر است[2]با این وجود ، بدون شک سرمایه گذاران در میزان تحمل ریسک مالی بسیار متفاوت هستند ، که نشان می دهد میزان ناراحتی که فرد مایل به پذیرش آن است در حالی که ثروت فعلی را برای رشد آینده می پذیرد [3]. برخی از سرمایه گذاران ترجیح می دهند دارایی هایی را با بازده پایدار خریداری کنند تا خطرات اضافی برای بازده بالاتر. برای برخی دیگر ، آنها در ازای نتایج زیاد بالقوه مایل به خطرات بیش از حد هستند. سطوح مختلف تحمل ریسک منجر به طرح های مختلف وزنه کارها می شود ، اما تحمل ریسک تنها عامل تأثیر نیست. از آنجا که ریسک بازار به طور مداوم در حال تغییر است ، هیچ استراتژی نمی تواند سودآوری را همیشه تضمین کند. بنابراین ، پیش بینی ریسک و تنظیم وزن در نمونه کارها برای مدیریت نوسانات بازار مهم است.

با گذشت سالها ، تکنیک های مختلف سرمایه گذاری ایجاد شده است. با این فرض که همه سرمایه گذاران ریسک پذیر هستند ، برخی از محققان بر مشکل به حداقل رساندن ریسک نمونه کارها متمرکز شده اند. مارکوویتز [4] چارچوب به اصطلاح میانگین واریانس را پیشنهاد کرد. وضوح وی به حداکثر رساندن بازده برای سطح مشخصی از ریسک و به حداقل رساندن ریسک در هنگام داده شده است. این روش توسط بسیاری از محققان مورد انتقاد قرار گرفته است (به عنوان مثال ، Chopra و Ziemba [5] ، Konno و Hiroaki [6] و همچنین Green و Hollifield [7]) و برخی از مطالعات روش را اصلاح کرده اند (به لئونگ مراجعه کنید.[8] ، و غیره). از آنجا که واریانس هر دو ضرر و سود را ضبط می کند ، روش های دیگر برای تجزیه و تحلیل ریسک نزولی - دم مربوط به تلفات ، مانند اندازه گیری ریسک شناخته شده به عنوان ارزش در ریسک (VAR) ، تجزیه و تحلیل شده است. با این حال ، انتقادات متعددی در مورد VAR نیز وجود داشت. Bemporad ، Puglia و Gabbriellini [9] استدلال کردند که VAR در صورت بروز نمی تواند میزان ضرر را ضبط کند. آنها همچنین خاطرنشان كردند كه این معیار وضعیت زیربنایی را برآورده نمی كند. در این حالت ، ریسک نمونه کارها ممکن است بیشتر از مجموع ریسک هر سهم باشد. سپس ، Rockafellar و Uryasev [10] یک اندازه گیری ریسک به نام ارزش شرطی را در معرض خطر (CVAR) ارائه دادند ، یک اندازه گیری ریسک مبتنی بر VAR ، که نشان دهنده اندازه از دست دادن مورد انتظار سرمایه گذاری است. CVAR یک اندازه گیری ریسک نزولی است که می تواند برای بهینه سازی یک نمونه کارها در یک محدوده خطر مشخص اعمال شود. چنین اندازه گیری ریسک وضعیت زیربنایی را برآورده می کند و VAR را محاسبه می کند در حالی که CVAR را همزمان به حداقل می رساند. تمام روشهای فوق به طور گسترده ای در ادبیات مورد استفاده قرار گرفته است ، نشان می دهد که اقدامات ریسک بخش ضروری از مشکل بهینه سازی نمونه کارها است.

به جای بهینه سازی و انتخاب نمونه کارها ، برخی از مطالعات بر رفتارهای سرمایه گذار و میزان تحمل ریسک متمرکز شده اند. اگرچه مفهوم تحمل ریسک مالی به طور مکرر در ادبیات ذکر شده است ، اما یک تعریف منحصر به فرد وجود ندارد. به عنوان مثال ، Grible [11] آن را به عنوان "حداکثر میزان عدم اطمینان کسی که در هنگام تصمیم گیری مالی مایل به پذیرش آن است" تعریف کرد. Gerrans و همکاران.[12] آن را به عنوان "میزان سرمایه گذار مایل به ریسك داشتن نتیجه مالی كمتر مطلوب در دستیابی به نتیجه مالی مطلوب تر تعریف كرد" تعریف كرد. مهم نیست که تعریف آن چگونه بیان شده است ، نشان داده می شود که تحمل ریسک مالی در مشکل مدیریت نمونه کارها غیر قابل بحث نیست. برخی از محققان تأثیر تحمل ریسک را در تصمیم گیری سرمایه گذاری مورد تجزیه و تحلیل قرار دادند (به عنوان مثال ، نگوین و همکاران [13] ، ییلمازر و لیچ [14]). از آنجا که عواملی مانند سن و درآمد در سرمایه گذاری تأثیر دارند (Romprasert [15]) ، بسیاری از مطالعات سعی در تعیین عوامل مربوط به تحمل ریسک مالی ، مانند سن ، جنس ، پیشینه فرهنگی و غیره دارند (به عنوان مثال ، سونگ و هانا [16] ، فیشر و یائو ، [17] ، پیلز و همکاران [18] و هاولی و فوجی [19]). برخی از محققان سعی در ارزیابی میزان تحمل ریسک سرمایه گذاران ، مانند فریرا و دیکاسون-کوکیموئر [20] ، لارنسون و دیکاسون-کوکیمور [21] و همچنین وهل و کیرچلر [22] دارند. برخی حتی تأثیر بحران مالی جهانی (GFC) و همه گیر COVID-19 را بر تحمل ریسک ، مانند Gerrans و همکاران در نظر گرفته اند.[12] ، Chiang و Xiao [23] و همچنین Heo et al.[24]مشخص شده است که تحمل ریسک مالی برای طبقه بندی دقیق دشوار است ، زیرا تحت تأثیر عوامل عینی و ذهنی قرار دارد. فراتر از همه سؤالات ، تحمل ریسک مالی عامل اصلی است که بر استراتژی های سرمایه گذاری سرمایه گذاران تأثیر می گذارد. با این حال ، مطالعات کمی این مفهوم را با مدل های بهینه سازی نمونه کارها آمیخته است. ژانگ و همکاران.[25] با استفاده از لحظات احتمالی یک عدد فازی ، یک مدل تحمل ریسک را با هزینه های معامله برای تنظیم یک نمونه کارها موجود پیشنهاد داد. گونگ و همکاران.[26] در مورد مشکلات انتخاب نمونه کارها در مورد عدم اطمینان از بازده های آینده و نگرش سرمایه گذاران نسبت به بازار سهام (خوش بینانه - ذهن ی-خنثی) در مدل مورد بحث قرار گرفت. در این مقاله ، ما سطح تحمل ریسک سرمایه گذاران را به "محافظه کار" ، "پرخاشگرانه" و "متوسط" طبقه بندی می کنیم ، بدون در نظر گرفتن بازده آینده ،

و سپس با در نظر گرفتن سهم ریسک اجزای نمونه کارها در هنگام اختصاص وزن ، تحمل ریسک مالی را به مشکل مدیریت نمونه کارها معرفی کنید.

به دنبال ادبیات ، این مقاله فرض می کند که همه سرمایه گذاران ریسک پذیر هستند. برای برآورده کردن این پیش شرط ، روش به حداقل رساندن CVAR Rockafellar و Uryasev اتخاذ شده است تا ریسک را برای یک سطح ظرفیت خطر مشخص کاهش دهد. توجه داشته باشید که تحمل ریسک تنها معیار خطر است که فرد بتواند از نظر عاطفی از آن استفاده کند. هرچه تحمل بیشتر باشد ، یک سرمایه گذار ریسک بیشتری می تواند داشته باشد. هرچه تحمل پایین تر باشد ، یک سرمایه گذار محافظه کار تر با نمونه کارها آنها است. به معنای متفاوت ، ظرفیت ریسک ارزیابی می کند که آیا یک سرمایه گذار می تواند با سرمایه گذاری خود در یک نقطه خاص از زمان ، از نظر مالی میزان مشخصی از ریسک خود را در نظر بگیرد. برخلاف تحمل ریسک ، که همه چیز مربوط به رفتار و نگرش ذهنی است ، ظرفیت ریسک را می توان از نظر ریاضی اندازه گیری کرد. این عواملی مانند سرمایه گذاری در افق زمانی و همچنین توانایی مقاومت در برابر نوسانات و ضررهای احتمالی بدون تأثیرگذاری بر اهداف سرمایه گذاری را در نظر می گیرد. معمولاً در طی یک فرآیند تجزیه و تحلیل ریسک محاسبه می شود. تحمل ریسک و ظرفیت ریسک هم برای تعیین میزان ریسک برای دستیابی به اهداف مالی ضروری است. در این مقاله ، ما ابتدا با به حداقل رساندن CVAR در سطح ظرفیت خطر خاص ، یک بردار وزن را برای نمونه کارها استخراج می کنیم. هنگامی که وزن نمونه کارها از روش بهینه سازی استخراج می شود ، ما بیشتر تأثیر تحمل ریسک را بر تکنیک های وزن گیری نمونه کارها اعمال می کنیم. از نظر سطح تحمل ریسک ، سرمایه گذاران می توانند به طور کلی به "تهاجمی" ، "محافظه کار" و "متوسط" طبقه بندی شوند. بنابراین ، سه طرح وزن جدید بر این اساس پیشنهاد شده است. در مطالعه موردی صنعت مالی چین ، چهار استراتژی ، از جمله سه مورد با محدودیت تحمل ریسک و یک مورد بدون آن ، برای داده های سهام اعمال می شود و عملکرد آنها در سطح ریسک مختلف بازار مقایسه می شود. نتایج نشان می دهد که استراتژی های تنظیم شده توسط تحمل ریسک دارای خاصیت پایدارتری هستند.

از آنجا که تحمل ریسک نگرش به ریسک است ، خطرات نمونه کارها قبل از اجرای محدودیت های تحمل ریسک در مدیریت نمونه کارها پیش بینی می شود. برای پیش بینی خطر ، مهمترین عنصر انتخاب یک مدل پیش بینی بازده در صورت استفاده از تئوری احتمال برای تجزیه و تحلیل عدم اطمینان است. در این مقاله از یک کوپول یک عاملی با مدل ژنراتور Durante (FDG Copula) برای تولید شبیه سازی استفاده می شود ، و روش پنجره نورد برای پیش بینی بازده های آینده با داده های تاریخی اتخاذ شده است. به عنوان یک اندازه گیری از ساختارهای وابستگی ، کپی ها توسط بسیاری از محققان مانند وی و همکاران مورد مطالعه قرار گرفته است.[27]مزیت استفاده از کوپول ها این است که وابستگی بین سهام را می توان در فرآیند شبیه سازی در نظر گرفت. علاوه بر این ، یک مدل Copula FDG عدم تقارن دم را امکان پذیر می کند و برای مدل سازی با ابعاد بالا مناسب است. پیش بینی دقیق ریسک آینده می تواند به سرمایه گذاران اجازه دهد وزن های نمونه کارها خود را به موقع تنظیم کنند تا به اهداف سرمایه گذاری خود برسند. از این رو ، ما روش جدیدی را در این مقاله به نام "احتمال خطر شدید مشترک" مطرح کردیم تا خطر را به روشی ساده تر اندازه گیری کنیم. این روش برای اندازه گیری احتمال اینکه خطرات شدید در چندین دارایی به طور همزمان رخ دهد استفاده می شود. این روش به عنوان سیگنالی کار می کند که به سرمایه گذاران کمک می کند تا ضرر را به موقع کاهش دهند. نکته جالب در مورد این روش این است که سرمایه گذاران می توانند دامنه اندازه گیری ها و آستانه ای را که به آنها می گوید سرمایه گذاری ها را با توجه به سطح تحمل خود کاهش دهند. در این مطالعه موردی ، ما نشان می دهیم که با متوقف کردن سرمایه گذاری در روزهای با JERP بالا ، تلفات می تواند به خوبی اجتناب کند.

تا آنجا که می دانیم ، جدید بودن این مطالعه از دو جنبه نهفته است. اول ، ما یک رویکرد جدید مدیریت نمونه کارها را طراحی می کنیم که سطح تحمل ریسک سرمایه گذاران را ارزیابی می کند. یک نمونه کارها ثابت یا روش سرمایه گذاری نمی تواند با نوسانات در بازارهای مالی و تغییر در نگرش سرمایه گذاران نسبت به ریسک همگام باشد. چنین استراتژی هایی به سرمایه گذاران در مقابله با تغییر ریسک سریع و کارآمد کمک می کند. سرمایه گذاران می توانند با خرید یا فروش دارایی در پاسخ به تغییرات زمان واقعی در خطر بازار کلی و سهام فردی ، بین سه تکنیک جابجا شوند. دوم ، ما یک اندازه گیری ریسک جدید را پیشنهاد می کنیم ، "احتمال ریسک شدید مشترک (JERP)" نامیده می شود که می تواند بر اساس تحمل ریسک سرمایه گذاران اعمال شود. هنگامی که شرایط بازار خوش بین نیست ، این روش را می توان برای پیش بینی احتمال وقوع خطر شدید برای یک نمونه کارها پیش بینی کرد. هنگامی که JERP از سطح تحمل یک سرمایه گذار فراتر رفت ، برای جلوگیری از ضرر ، دارایی ها را می توان در موعد مقرر فروخت.

مدیریت نمونه کارها در این مقاله یک فرایند دو مرحله ای است که شامل پیش بینی خطر و تخصیص وزن است. در بخش 2 ، ما روشهایی را که برای پیش بینی ریسک بازار و سهم ریسک اجزای نمونه کارها استفاده کردیم ، معرفی می کنیم. تکنیک های جدید وزنه برداری و اقدامات ریسک که تحمل ریسک را در نظر می گیرد در بخش 3 ارائه شده است. برای ارزیابی عملکرد روشها ، ما یک مطالعه موردی را انجام دادیم و داده ها و نتایج در بخش 4 ارائه شده استپیامدهانتیجه گیری در بخش 6. در بخش 7 به دست آمده در مورد محدودیت ها و پتانسیل تحقیق برای مطالعات آینده بحث می کنیم.

2. پیش بینی خطر

برای پیش بینی ریسک بازار و سهم ریسک هر سهم در نمونه کارها ، یک رویکرد پنجره نورد اتخاذ شده است. ایده این است که خطرات هر روز از دوره خارج از نمونه را با اندازه پنجره ثابت مشاهدات متوالی پیش بینی کنید. فرض کنید روزهای T در دوره در نمونه و سهام N در نمونه کارها وجود دارد. فرایند پیش بینی شامل مدل سازی توزیع مشاهدات T برای هر سهام ، شبیه سازی بازده سهام N برای روز T + 1 و محاسبه ریسک کلی و سهم ریسک هر سهام است. با توجه به ویژگی وابستگی به دم در صنعت مالی ، یک مدل Copula FDG برای تولید شبیه سازی با ضرایب وابستگی اندازه گیری شده از داده های درون نمونه اتخاذ شده است.

2. 1مدل برای توزیع حاشیه

برای مدل سازی توزیع حاشیه ، ARMA (1،1) -Glosten-Jagannathan-Runkle (GJR) -garch (1،1) [28] اعمال می شود. این مدل مفید است زیرا یک اثر اهرم برای گرفتن شوک های منفی گنجانده شده است. اثر اهرم ناشی از این واقعیت است که بازده منفی تأثیر قابل توجهی در نوسانات نسبت به بازده مثبت دارد. با توجه به ویژگی های غیر طبیعی باقیمانده های مدل GARCH ، ما داده های درون نمونه را با سه توزیع احتمالی-Skewed Normal ، Skewed Student T و توزیع خطای عمومی متناسب قرار دادیم. پارامترهای موجود در مدل با حداکثر احتمال تخمین زده می شود و بهترین توزیع مناسب برای هر سهام با استفاده از معیارهای اطلاعات بیزی (BIC) انتخاب می شود. مدل به صورت بیان شده است

در جایی که R T بازده سهام در روز T است ، و ε t باقی مانده است که می تواند به دو قسمت تقسیم شود - یک متغیر تصادفی ، z t و انحراف استاندارد ، σ t. به این معنا که،

جایی که z t نشان دهنده متغیرهای مستقل و یکسان توزیع شده است که از توزیع مناسب پیروی می کنند. در معادله (2) ، پارامتر γ تأثیر منفی را از روز t - 1 با نشانگر ضبط می کند

برای مدل سازی وابستگی دم توسط یک کوپلا ، عملکرد توزیع اصطلاح خطا به عنوان توزیع حاشیه در نظر گرفته می شود. بنابراین ، ما اصطلاح خطا را توسط

برای اطمینان از توزیع توزیع حاشیه ای به طور یکنواخت در [0 ، 1]. با استفاده از این روش در داده های درون نمونه ، ما تمام پارامترها را در مدل ARMA-GJR-GARCH و توزیع هر سهام به دست آوردیم.

2. 2شبیه سازی~برای هر روز در دوره خارج از نمونه ، ما ابتدا 10،000 شبیه سازی باقیمانده های برگشتی را با استفاده از مدل FDG Copula ایجاد کردیم. به گفته مازو و همکاران.[29] ، مخفف FDG بیانگر "کوپول یک عاملی با ژنراتورهای دورانته" است. برای اندازه گیری وابستگی بین سهام با داده های نمونه و شبیه سازی داده ها با ضرایب وابستگی تخمین زده شده استفاده می شود. بگذارید U = (U 1 ،… ، U D) حاشیه های به دست آمده از مدل Arma-GJR-Garch با U I باشد