تخمین VaR با استفاده از توابع کاپولای بهینه شده با الگوریتمهای فراابتکاری [Persian Thesis]
شایان لک موسیوند
| شناسگر رکورد: | ۱۶۰۷۸ |
| رشته تحصیلی: | مهندسی مالی و مدیریت ریسک |
| عنوان: | تخمین VaR با استفاده از توابع کاپولای بهینه شده با الگوریتمهای فراابتکاری |
| نويسنده: | شایان لک موسیوند |
| استاد راهنما : | دکتر احمد پویانفر |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۳۹۹ |
| چکیده: | در تئوری آمار و احتمال، تابع کاپولا عبارت است از یک تابع توزیع احتمال چند متغیرهای که تابع توزیع حاشیهای (چگالی) هر یک از متغیرها توزیعی یکنواخت دارد. رویکرد کاپولا با توجه به در نظر گرفتن توزیعهای مشترک، ضعف روشهای تحلیلی مبتنی بر ضریب همبستگی خطی را کاهش داده و از سوی دیگر وابستگیهای دنبالهای بالا و پایین را نیز در نظر میگیرد. تخمین پارامترهای کاپولا با توجه به اینکه نشاندهنده وابستگی بین متغیرهاست و برای برآورد VaR نیز استفاده میشود، دارای اهمیت بوده و از حساسیت بالایی برخوردار است. یکی از روشهای بسیار مناسب برای تخمین این پارامترها، رویکرد بهینهسازی با الگوریتمهای فراابتکاری است. در این تحقیق، به ارائه یک روش بهینه مبتنی بر الگوریتمهای فراابتکاری PSO، GA و ACO و مقایسه آن ها با دو روش سنتی IFM و MLE در تخمین وابستگی بین سهام مورد مطالعه و تخمین VaR پرتفوی متشکل از آنها با استفاده از سه مدل کاپولای کلایتون، گامبل و تیاستیودنت پرداخته شده است. نتایج حاصل از تحقیق نشان داد که هر سه الگوریتم فراابتکاری در تخمین پارامتر وابستگی مدلهای کاپولا به دقت همگرایی یکسانی میرسند، اما از نظر سرعت همگرایی، الگوریتم PSO عملکرد بهتری دارد. همچنین مشخص شد که از بین مدلهای کاپولای مورد بررسی، با توجه به معیارهای AIC و BIC کاپولای تیاستیودنت بهترین عملکرد را دارد. نتایج پس آزمایی برای اعتبارسنجی تخمین VaR در دو سطح اطمینان ۰.۹ و۰.۹۵ مؤید تخمین مناسب VaR با استفاده از توابع کاپولای گامبل، کلایتون و تیاستیودنت است، اما نتایج حاصل از این پس آزمایی در سطح اطمینان ۰.۹۹ روش پیشنهادی را رد می کند، در مقایسه با روشهای سنتی نیز روش پیشنهادی هم در بخش مربوط به برآورد ضرایب وابستگی بین سهام و هم بخش مربوط به برآورد VaR پرتفوی، عملکرد بهتری نشان داده است. بطور کلی، با توجه به نتایج این تحقیق پیشنهاد میشود که از بین الگوریتمهای فراابتکاری مورد بررسی، الگوریتم PSO با توجه به سرعت همگرایی بالا، و از بین مدلهای کاپولای مورد بررسی، مدل تیاستیودنت با توجه به معیارهای AIC و BIC بهتر انتخاب شوند. در نهایت استفاده از مدل پیشنهادی ا نسبت به مدل های سنتی IFM و MLE توصیه میشود. |
| واژگان کلیدی: | مدیریت مالی |
| مهندسی مالی | |
| مدیریت ریسک | |
| تخمین VaR | |
| کاپولا | |
| بهینهسازی | |
| الگوریتم فرابتکاری | |
| روشهای سنتی |
LoginWithYourAccountToPostComment