مقایسه عملکرد مدل‌های ارزش در معرض ریسک و کاپیولا- cvar جهت بهینه سازی پرتفوی در بورس اوراق بهادار تهران

یکی از رویکردهای جدید برای بهینه‏سازی پرتفوی سرمایه‏گذاری، استفاده از روش ارزش در معرض ریسک شرطی (cvar) است. به دلیل نرمال نبودن توزیع بازده دارایی‏ها و غیرخطی بودن همبستگی بین بازده دارایی، استفاده از روش ترکیبی copulacvar عملکرد بهتری در اندازه گیری ریسک پرتفوی دارایی‏ها دارد؛ در این پژوهش کوشیده شد تا مدلی کاراتر برای بهینه‏سازی سبد سرمایه‏گذاری ارائه شود که با در نظر داشتن شرایط عدم قطعیت سرمایه‏گذاری، بازدهی بیشتری را فراهم کند؛ به همین منظور مدل var با رویکرد واریانسکوورایانس با مدل copulacvar برای استخراج مرز کارا مقایسه شد.  قلمرو زمانی پژوهش از سال 1393 تا 1397 و جامعه آماری نیز 50 شرکت برتر «بورس اوراق بهادار تهران» بوده است. برای تخمین ارزش در معرض ریسک پرتفوی از رویکرد واریانسکوواریانس استفاده شد. برای تخمین copulacvar نیز ابتدا از طریق مدل arimagarch سری زمانی جزء اخلال توزیع بازده دارایی‏ها برآورد و استاندارد شد؛ سپس توزیع‏های حاشیه‏ای دارایی‏ها با استفاده از تابع کاپیولا tاستیودنت برآورد شد. در گام آخر از طریق شبیه‏سازی مونت‏کارلو بازدهی دارایی‏ها شبیه‏سازی و مقدار cvar آن‌ها برای دوره 10 روزه محاسبه شد؛ سپس ترکیب بهینه پرتفوی در سطح اطمینان 95 و 99 درصد برای سطوح مختلف ریسک تعیین شد.  نتایج ‏این پژوهش حاکی از آن بود که تشکیل سبد سهام بهینه با استفاده از مدل ترکیبی یعنی مدل capulacvar عملکرد بهتری داشته است.

Comparison of Value Risk Models and Coppola-CVaR in Portfolio Optimization in Tehran Stock Exchange

To optimize the investment portfolio, conditional value at risk is a new approach. To amend the nonnormal distribution of return on assets, and the nonlinear correlation between return, the modification of CopulaCVaR compound method has a better performance in measuring portfolio risk. In this study, it has been attempted to present a more efficient model for portfolio optimization that provides greater returns for investors, given the uncertainty investment conditions. The VaR model was compared variancecovariance approach and the CopulaCVaR model for their efficiency frontier. The research area entails of 2014 up 2018; The statistical population was the top 50 companies of TSE.The variancecovariance approach was used to estimate the VaR of the portfolio. Moreover to estimate the CopulaCVaR model we have used the ARIMAGARCH time series disruption component of the asset return distribution; then the marginal distributions of the assets were estimated using the CAPAStudent function; finally through Monte Carlo simulation the return on assets and their CVaR for the 10day period were calculated. The optimal portfolio composition was determined at 95% and 99% confidence levels for different levels of risk. The results of this study showed that the optimized portfolio formation using the compound model, the CopulaCVaR model, has performed better.