تحقیقات مالی

یکی از نگرانی های اصلی سرمایه گذاران و مدیران مالی، نحوه رویارویی با ریسک سرمایه گذاری و نوسان های بازده است؛ از این رو شناسایی، اندازه گیری و مدیریت ریسک، از موضوعات مهم در مباحث مالی تلقی می شود. در سال های اخیر، کانون توجه بسیاری از شرکت های مالی به معیار ارزش در معرض ریسک و ریزش مورد انتظار برای اندازه گیری ریسک پرتفوی است. از جمله مهم ترین مشکلات روش های ارائه شده در اندازه گیری ریسک، در نظر نگرفتن عدم قطعیت موجود در داده های مالی است. به همین دلیل در پژوهش پیش رو برای تطابق بیشتر مدل با واقعیت، به برآورد ارزش در معرض ریسک و ریزش موردانتظار پرتفوی با لحاظ عدم قطعیت داده ها، پرداخته می شود. در این رابطه از مفهوم متغیر تصادفی فازی و نظریه امکان و الزام فازی، به منظور پوشش عدم قطعیت موجود در داده های مالی، استفاده شده است. در نظر گرفتن عوامل ریسک به صورت متغیر تصادفی، این امکان را برای سرمایه گذار فراهم می کند که با پذیرش سطح خاصی از عدم قطعیت، میزان ریسک پرتفوی خود را برآورد کند. علاوه بر این در پژوهش پیش رو، کلیه برآوردها با دو فرض توزیع نرمال و تی استیودنت انجام شده و نتایج به دست آمده از حل مدل با داده های عددی، نشان دهنده این است که لحاظ توزیع t و نیز عوامل ریسک به صورت متغیر تصادفی، سبب ایجاد برآوردهای محافظه کارانه تری برای دو سنجه مد نظر شده است.

مطالعه حاضر به بررسی اثر ماه های رمضان و محرم بر ریسک و بازدهی صندوق های سرمایه گذاری مشترک و فعال در بازار سرمایه ایران می پردازد. این بررسی با استفاده از تجزیه و تحلیل رگرسیون چند متغیره، آزمون های خود همبستگی و مدل گارچ در بازه زمانی 25/5/1388 تا 25/5/1394 صورت پذیرفته است. یافته های پژوهش نشان می دهد، اگرچه برخی روابط مثبت و منفی در بازده و ریسک تعدادی از صندوق های سرمایه گذاری مشترک دیده می شود، نمی توان آن را به صورت یک قاعده یا رفتار کلی به تمام صندوق های سرمایه گذاری مشترک نسبت داد. به بیان دیگر، روند غیرعادی در بازدهی و ریسک صندوق های سرمایه گذاری مشترک طی ماه های رمضان و محرم دیده نمی شود. با توجه به نتایج پژوهش می توان گفت که در تمام صندوق های سرمایه گذاری مشترک مورد مطالعه، بازدهی غیرمعقولی که دارای تأثیر معناداری باشد، مشاهده نمی شود و تفکر عام مبنی بر وقوع رکود و کاهش در بازدهی صندوق های سرمایه گذاری مشترک در ماه های رمضان و محرم به تأیید نمی رسد.

سرمایه گذارانی که خواهان اجرای سفارش های بزرگ هستند، همواره با موازنه اثر قیمتی و هزینه فرصت (ریسک اجرای معامله) مواجه اند. هدف از این پژوهش، یافتن روش بهینه ای برای اجرای چنین سفارش هاست. این پژوهش با استفاده از داده های تاریخی سهام در بورس اوراق بهادار تهران، ابتدا احتمال انواع سفارش گذاری ها شامل سفارش بازار، سفارش در شکاف قیمتی و سفارش محدود را برای سمت خرید و سمت فروش به طور جداگانه محاسبه کرده، سپس استراتژی بهینه معاملاتی را بر اساس معیار قیمت میانگین موزون حجمی (VWAP) بررسی می کند. در بازار معاملاتی شبیه سازی شده، اثر قیمتی برای سفارش های بزرگ نیز در نظر گرفته شده است. روش شبیه سازی، روش عامل گرا است و برای آموزش عامل، از روش یادگیری کیو که یکی از روش های یادگیری تقویتی است، استفاده کردیم. نتایج این پژوهش نشان می دهد برای هر سفارش بزرگ خرید، استراتژی با استفاده از انواع سفارش می تواند بهتر از استراتژی هایی با استفاده از تنها یک نوع سفارش باشد. استراتژی بهینه توانسته است به طور متوسط قیمت میانگین موزون حجمی (هزینه های اجرای معاملات) را 137/0 درصد نسبت به بازار کاهش دهد.

افزایش بازده و کاهش ریسک، همواره یکی از مهم ترین مسائلی است که سرمایه گذاران در بازارهای مالی به آن توجه می کنند. با وجود سابقه طولانی بهینه سازی سبد سهام، الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری که در سال 2010 معرفی شده است، یکی از کاراترین روش های فرا ابتکاری، برای حل مسائل بهینه سازی است. در این پژوهش، سعی شده است مسئله بهینه سازی سبد سهام، در چارچوب مدل معرفی شده مارکوویتز، با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری حل شود. بدین منظور، از بازدهی های روزانه 20 شرکت پذیرفته شده در بورس اوراق بهادار تهران که دارای نقدینگی بالا در بازه زمانی 1391 تا 1395 بودند، استفاده شده است. نتایج به دست آمده از این تحقیق نشان می دهد الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری، نسبت به سایر الگوریتم ها برای یافتن مرز کارا و بهینه سازی سبد سهام، عملکرد بهتری دارد.

هدف اصلی مقاله حاضر، بررسی هم پیوندی و رفتار متقابل بین شاخص قیمت بازار سهام ایران و بازار سهام عمده ترین شرکای تجاری کشور و همچنین تحلیل روندهای تصادفی مشترک موجود بین آنها برای دوره 2015-2007 است. برای نیل به این هدف از روش یوهانسن و یوسیلیوس (1992) و رهیافت گونزالو و گرنجر (1995) استفاده شد. نتایج به دست آمده، وجود رابطه هم جمعی و سه روند تصادفی مشترک بین بازارهای بررسی شده را نشان می دهد که منعکس کننده کامل نبودن یکپارچگی بلند مدت بین این گروه از متغیرها است. نتایج تحلیل روندهای تصادفی مشترک نیز گویای این واقعیت است که طی دوره بررسی، شاخص قیمت سهام بورس اوراق بهادار تهران از یک سو، مشارکت کم رنگی در روندهای تصادفی موجود دارد و از سوی دیگر، واکنش شدیدی نسبت به روندهای یاد شده از خود نشان داده است. در نهایت، با توجه به همگرایی ضعیف بین شاخص قیمت بازارهای منتخب، با متنوع سازی بین المللی سبد سهام می توان به منافع حاصل از آن دست یافت.

پیش بینی دقیق قیمت سهام، با توجه به نوسان های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه های اصلی سرمایه گذاران و تحلیل گران مالی است، از این رو به کارگیری رویکردهای نوین پیش بینی قیمت سهام ضرورت اجتناب ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسه عملکرد مدل های پیش بینی شبکه عصبی با مدل های کلاسیک و معرفی مدل مناسب برای پیش بینی قیمت روز آتی سهام است. برای طراحی مدل پیش بینی با شبکه عصبی، از داده های قیمت روزانه بازار و شاخص های تکنیکی مالی به عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده های قیمت بسته شدن روزانه به عنوان متغیر ورودی و همچنین قیمت بسته شدن روز آتی به عنوان متغیر خروجی هر دو مدل در دوره زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به دست آمده با شبکه عصبی بیزین بیان کننده خطای کمتر و قدرت پیش بینی بیشتر آن در مقایسه با مدل آریما است. یافته های تحقیق گویای کارایی بیشتر شبکه عصبی بیزین در استفاده از فرصت های سرمایه گذاری کوتاه مدت بازار است که می تواند به سرمایه گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.

بهینه سازی سبد سهام همواره یکی از با اهمیت ترین مسائل در علوم مالی است. استراتژی های مختلفی برای مدیریت پرتفوی سبد سهام استفاده شده اند که به طور عمده می توان آنها را بر دو نوع فعال و غیرفعال دسته بندی کرد. یکی از مهم ترین رویکردهای مدیریت غیرفعال پرتفوی، تشکیل پرتفوی ردیاب شاخص است. به منظور تشکیل پرتفوی ردیاب شاخص از مدل ها و الگوریتم های مختلفی استفاده می شود. پژوهش پیش رو به منظور بررسی عملکرد پرتفوی ردیاب شاخص با رویکرد نامتقارن و وارد کردن بتای نامطلوب در مدل ردیاب شاخص برای بهبود عملکرد آن است. به این منظور، ضمن به کارگیری سه مدل برای ردیابی شاخص، از دو الگوریتم تکاملی ژنتیک و تکامل دیفرانسیلی برای حل مدل مد نظر بهره برده شد. به منظور بررسی کارایی مدل نیز، از داده های بورس اوراق بهادار تهران استفاده شده است. نتایج در انتها نشان داد مدلی که بر مبنای بتای نامطلوب ارائه شده و توسط الگوریتم تکامل دیفرانسیلی حل شده است، کارایی بیشتری دارد.