عنوان پایان‌نامه
بهینه سازی پورتفوی و بررسی اثر حافظه بلند مدت در بازده و نوسان دارایی های مالی با معیار ارزش در معرض ریسک و رویکرد کاپیولا
- رشته تحصیلی
- مالی - حقوق مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78317;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78317
- تاریخ دفاع
- ۲۷ شهریور ۱۳۹۵
- دانشجو
- سعید صبائی
- استاد راهنما
- شاپور محمدی
- چکیده
- ریسک و بازده دو مولفه اساسی سرمایه گذاری محسوب می گردد. اهمیت این دو مقوله کنار یکدیگر پس از تحقیقات مارکویتز بیش از پیش مورد توجه قرارگرفت. تا امروز بخشی از تحقیقات به بررسی اثر حافظه بلندمدت در سری میانگین پرداخته اند. در این تحقیق ضمن بررسی اثر حافظه بلندمدت در سریهای بازده و نوسان، اثر آن بر وابستگی بین زوج داراییهای مالی بررسی شده است. برای این منظور یک بار بازده های خام و بار دیگر اجزای اخلال بازده ها که با مدل ARFIMA-FIGARCH برازش شده اند را به عنوان بازده های فیلترشده درنظرگرفته شده است و تمامی مراحل برای هردو انجام شده است. در این مراحل از معیارهای وابستگی خطی، کندال و وابستگی در دنباله استفاده شده است. نهایتا از رویکرد کاپیولا برای مدل کردن تابع توزیع توامان زوج سریها بهره جستیم و با تجزیه ریزموجک نوع تابع کاپیولای آن مطالعه شد. در مرحله آخر با در نظرگرفتن معیارهای واریانس، ارزش در معرض ریسک و ارزش درمعرض ریسک شرطی و متغیرهای وابستگی خطی، غیرخطی و متغیر وابستگی کاپیولا، پرتفوی دوسهمی را بهینه شد. نتایج حاکی از آن بود که اثر حافظه بلند در سریها باعث افزایش یا کاهش کاذب همبستگی سری ها شده و خطای تخمین را منجر می-شود و مقدار حقیقی نوسان را می‌پوشاند. کلید واژه: بهینه سازی پرتفوی، اثرحافظه بلندمدت، کاپیولا.
- Abstract
- Risk and return are two basic components of investment. After the Markowitz’s investigation, the importance of these two topics together was considered more than ever. Heretofore, it have been focused on the long-term memory effect in some the researches. In this thesis we study Long-term memory effect in return and variance series, as well as its effect on dependency between pair assets. For this purpose, once we have considered the raw returns and once the innovation of ARFIMA-FIGARCH fitted model as filtered outputs and we have done all steps for both cases. Linear correlation, Kendals tau and tail dependency have been used in these steps. Finally, we used Copula approach to model the joint distribution function of paired series and studied the type of wavelet Copula function using wavelet decomposition. In final step, considering variance, value at risk and Conditional value at risk criterions and linear, non-linear and Copula dependency parameters, we optimized a two-asset portfolio. We observed that the effect of long-term memory in series results in false increasing or decreasing of series correlation and causes estimation error and Covers the true dependency structure.. Keywords:Copula,Long Memory Effect, Stationary
