بررسی قدرت تبیین سنجه‌های ریسک طیفی، منسجم، انحراف و شبکه‌های عصبی مصنوعی و کاربرد آن‌ها در انتخاب سبد بهینه سرمایه گذاری در بورس اوراق بهادار تهران

هدف مطالعه حاضر مقایسه کارایی مدل های شبکه عصبی و سنجه‌های موجود در دسته سنجه‌های ریسک در تشکیل پرتفوی بهینه است. ابتدا اطلاعات سری زمانی مربوط به نرخ بازده شرکت های مختلف طی سال های 95-1386 از بانک‌های اطلاعاتی سازمان بورس و اوراق بهادار ایران گردآوری شده و در چارچوب مدل های شبکه عصبی و سنجه های ریسک طیفی، انحراف و منسجم با استفاده از آزمونهای کوپیک ، کریستوفرسن و لوپز مورد تجزیه و تحلیل قرار گرفته اند. از نتایج آزمونهای کوپیک و کریستوفرسن برای مدل های شبکه عصبی و cvar مشخص گردید مقدار آماره آزمون lr برای تمامی گروه شرکت‌های تحت بررسی بزرگ‌تر از مقدار بحرانی است؛ بر این اساس نتیجه گیری شد که عملکرد  مدل های شبکه عصبی و معیار cvar در سطح معنی‌داری 5 درصد برای تمامی گروه شرکت‌ها قابل استناد می‌باشد و برای سنجه se، آماره آزمون lr برای تمامی گروه شرکت‌ها کوچک‌تر از مقدار بحرانی است؛ که گویای آن است که عملکرد معیار se برای تمامی گروه شرکت‌ها در سطح معنی‌داری 5 درصد قابل استناد نمی‌باشد. از سوی دیگر، بر اساس نتایج آزمون کوپیک و کریستوفرسن برای سنجه var نیز، مقدار آماره آزمون lr برای شش گروه شرکت بزرگ‌تر از مقدار بحرانی و برای چهار گروه شرکت کوچک‌تر از مقدار بحرانی بوده است. بر این اساس می‌توان گفت که در مدل های شبکه عصبی مصنوعی متوسط تعداد تخطی ها یا حالت استثنا در سطح معنی‌داری 5 درصد کمتر از سنجه‌های ریسک طیفی، انحراف و منسجم می‌باشد.

Investigating the Power of Explaining Spectral, Coherent, Deviation and Artificial Neural Networks risk criterias and Their Application in Selecting the Optimal Investment Basket in Tehran Stock Exchange

The purpose of the present study was to compare the efficiency of neural network models and available criteria in risk criteria in optimal portfolio formation. At first, time series data related to the return rate of different companies were collected from the databases of the Securities and Exchange Organization of Iran since 20082017, and analyzed in the framework of neural network models and Spectral, Deviation and Coherent risk measures by using Kupiec, Christofferssen and Lopez test. The results of the Kupiec and Christofferssen test for neural network models and CVaR, showed that the LR test statistic for the whole group of investigated companies was larger than the critical value. Based on this, it was concluded that the performance of neural network models and CVaR criteria can be acceptable for the entire group of companies at a significant level of 5% and the LR test statistic is lower than the critical value for SE criteria for the whole group of investigated companies. This suggests that SE’s performance is not acceptable to all companies at a significant level of 5%. On the other hand, based on the results of Kupiec and Christofferssen test for VaR, the LR test statistic for the six groups of companies was larger and for the four was smaller than the critical value. Therefore, we can say that in artificial neural network models, the average number of violations or the state of exception in the level of 5% were less than the spectral, deviation and coherent risk measures.