چکیده:
برای هر تصمیم سرمایه گذاری در اقتصاد، ما نیاز داریم با توجه به تابع مطلوبیت فرد سرمایه گذار که یک موضوع رفتاری می باشد، میزان عایدات آن تصمیم را با میزان خطرات آن در یک ترازو نسبتا« دقیق سنجش نمائیم، تا فرد مورد نظر بتواند انتخاب درست داشته باشد. به منظور محاسبه دقیق بازده و به ویژه ریسک سرمایه گذاری ها، مدل های متقاوتی برای پیش بینی ریسک پا به عرصه وجود گذاشته اند تا میزان ریسک را با توجه به نیاز مدل و چگونگی پراکندگی داده ها محاسبه نمایند. در این پژوهش ما میزان ریسک ارزش در معرض خطر پرتفوی بیست و یک شرکت سرمایه گذاری را از طریق دو روش پارآمتریک (اقتصاد سنجی) و ناپارآمتریک (مونت کارلو) مورد بحث قرار می دهیم و آنگاه از طریق آزمون لوپز مطلوب ترین روش را معرفی می نمائیم.
خلاصه ماشینی:
مقايسه توان تبيين مدل هاي پارآمتريک (اقتصاد سنجي) و ناپارآمتريک (مونت کارلو) در سنجش ميزان ارزش درمعرض خطر پرتفوي شرکت هاي سرمايه گذاري جهت تعيين پرتفوي بهينه در بازار سرمايه ايران 1 غلامرضازمرديان تاريخ دريافت : ٩٣/٧/٥ تاريخ پذيرش : ٩٣/٩/٢٣ چکيده براي هر تصميم سرمايه گذاري در اقتصاد، ما نياز داريم با توجه به تابع مطلوبيت فرد سرمايه گذار که يک موضوع رفتاري مي باشد، ميزان عايدات آن تصميم را با ميزان خطرات آن در يک ترازو نسبتا" دقيق سنجش نمائيم ، تا فرد مورد نظر بتواند انتخاب درست داشته باشد.
از آنجايي که مطالعات انجام شده در بسياري از بازارهاي مالي براي مقايسه عملکرد مدل هاي موجود در تعيين ارزش در معرض خطر نتايج متفاوتي را نشان داده اند، لذا در اين پژوهش هدف بر آن است تا مدل هاي آماري پارآمتريک (اقتصاد سنجي)، ناپارآمتريک (مونت کارلو) براي برآورد ميزان ريسک در بازار مالي ايران از طريق روش ارزش در معرض خطر مورد بررسي قرار گيرد، تا کارآترين مدل در تعيين سبد بهينه سهام در اين بازار مشخص شده و مدل مطلوبي مشخص گردد که بتواند ريسک موجود در بازار مالي کشور را با توجه به ويژگي هاي آن براي يک سبد پرتفوي کارآ پيش بيني نمايد.
به منظور بکارگيري روش مونت کارلو از گروه روش هاي ناپارآمتريک و براي توليد بازده هاي تصادفي شبيه سازي شده پرتفوي شرکت هاي جامعه آماري ابتدا" از دو تابع برآوني هندسي (GBM) و تابع لم ايتو که در خلق داده هاي تصادفي مالي بکار گرفته مي شوند استفاده مي نمائيم ، اما از آنجايي که بر اساس نتايج بدست آمده از تابع هندسي برآوني، از نظر پيش بيني ارزش در معرض خطر بهتر بوده ، بنابراين از اين تابع براي خلق بازده هاي تصادفي استفاده خواهيم نمود.