نشریه مهندسی مالی و مدیریت اوراق بهادار
پیاپی 17 (زمستان 1392)

در این تحقیق، به شاخص جدیدی بنام شارپ تجدید نظر شده (R-Sharp) مبتنی بر ارزش در معرض خطر از جمله شاخص های قابل قبول جهت ارزیابی عملکرد شرکت های فعال دربازار سرمایه است، پرداختیم و سپس این شاخص را با روش شارپ مقایسه نمودیم. در شاخص R-Sharp از مفهوم ارزش در معرض خطر(Value at Risk) استفاده شده است. نتایج این تحقیق بیانگر آن است که محاسبه VaR با روش GARCH با توجه به عدم وجود ناهمسانی واریانس در سری زمانی داده ها، مقدور نبوده و بنابراین ارزش در معرض خطر برای 10 شرکت سرمایه گذاری در بورس اوراق بهادار تهران به روش RiskMetrics با ضریب هموارسازی نمایی در سطوح اطمینان 99.9%، 99% و 95% و دوره های زمانی 1 و 10 روزه محاسبه گردید. نتایج پس آزمایی بیانگر صحت VaR محاسبه شده در سطح اطمینان 95% و دوره زمانی یک روزه برای تمامی شرکت های مورد بررسی، قابل اتکا بوده و در سطوح اطمینان بالاتر برای اغلب شرکت ها مناسب نمی باشد. مطلب اخیر با پیشنهاد سیستم RiskMetrics استاندارد مبنی بر استفاده از سطح اطمینان 95% مطابقت دارد. پس از محاسبه VaR و آزمون پس آزمایی آن، شاخص SHARP وR-SHARP برای دوره زمانی سال 1385 تا انتهای سال 1388 محاسبه گردید. نتایج بدست آمده بیانگر وجود اختلاف هایی در نحوه ارزیابی عملکرد و رتبه بندی این دو شاخص می باشد بنابراین رتبه بندی دو روش با آزمون ناپارامتریک ویل کاکسون مورد بررسی قرار گرفت و نتایج آزمون های مذکور در این تحقیق بیانگر عدم وجود اختلاف معنی دار در رتبه بندی این دو شاخص می باشد.

هدف از این مطالعه محاسبه و ارزیابی ارزش در معرض ریسک در بازار فارکس است.برای این منظور براساس لگاریتم نسبت قیمتی یورو به دلار ارزش در معرض ریسک به سه روش پارامتریک،تاریخی و شبیه سازی مونت کارلو برای بازه زمانی 12/10/2004تا تاریخ 12/3/2009 در دوره های زمانی 3 ،6، 9 ، 12و 36 ماهه و در سطوح اطمینان 90، 95 و 99 درصد برآورد شده است. نتایج آزمونهای چند متغیره به روش اندازه های تکراری و آزمون اثرات درون گروهی نشان داد که میانگین مقادیر ارزش در معرض ریسک به سه روش مزبور و در سطوح اطمینان و دوره های زمانی مختلف روی دو ارز یورو و دلار تفاوت معنا داری ندارد.نتایج آزمون برگشتی نشان داد که اعتبار محاسبات برای حداقل مقادیر ارزش در معرض ریسک مورد تایید قرار نگرفت اما برای حداکثر مقادیر مورد تایید است.

هدف ازمقاله حاضر، بررسی اثرات روزهای هفته بربازده شاخص کل قیمت سهام بورس تهران، طی سالهای 1383 تا 1388 و 1389 است. دراین مطالعه از رویکرد «فیلترهای وفقی با روش جستجوی الگوریتم حداقل میانگین مربعات (LMS) ، جهت تغییرات ضرایب فیلتر در مدل رگرسیون» استفاده شده و نتایج آن با مدلهای گارچ مقایسه شده است. با استفاده از الگوریتم رگرسیون حداقل میانگین مربعات از طبقه بندی متغیرهای مجازی به صفر و یک، که در روش های آمار و اقتصاد سنجی سنتی انجام می شود، اجتناب ورزیده و اثرات آرچ و خودهمبستگی های پی در پی نیز حذف می شوند. نتایج نشان می دهد در دوره 1383 تا 1388 بازده روز یکشنبه مثبت و معنی دار است و در دوره 1389 بازده معنی داری وجود ندارد.

پژوهش حاضر به بررسی ارتباط علی و همزمان بازده سهام، حجم معاملات و نوسان بازده با استفاده از مدل های چندگانه VAR-GRJ-GARCH و GRJ-GARCH-DCC پرداخته است. برای تخمین ارتباط همزمان بازده سهام و حجم معاملات، به جای رویه یک مرحله ای از رویه دو مرحله ای استفاده شد که بر مشکلات عددی معین که اغلب در تخمین مدل های چندگانه GARCH پیش می آید، غلبه خواهد کرد. در ابتدا و برای پاسخ به فرضیه اول، با استفاده از مدل VAR (نه بطور استاندارد)، شواهدی از علیت مثبت حجم معاملات به بازده سهام آشکار گردید. بررسی فرضیه های دوم و سوم به ترتیب موید این مطلب است که علیت دو طرفه بین بازده سهام و حجم معاملات و علیتی مثبت از نوسان بازده به حجم معاملات وجود دارد. نتیجه فرضیه چهارم که با کاربرد پسماندهای مدل VAR در مدل دو متغیره واریانس شرطی می باشد، در سطح 10%، نشان از معناداری علیتی مثبت از حجم معاملات گذشته به نوسان بازده دارد. در بررسی وجود ارتباط همزمان بین بازده و حجم معاملات، نتایج مدل AR(1)-MGRJ-GARCH(1،1)-DCC، ضریب همبستگی مثبت و معنادار را در سطح 1% نشان می دهد. یافته های تحقیق در مورد فرضیه ششم (رابطه همزمان بازده سهام و حجم معاملات تابع تلاطمات خصوصی سازی در بورس اوراق بهادار است)، نشان می دهد که به ترتیب با افزایش یا کاهش خصوصی سازی در دوره های مورد بررسی که مطابق داده های انتشار یافته سازمان خصوصی سازی است، ارتباط همزمان بازده سهام - حجم معاملات افزایش یا کاهش پیدا نمی کند و حتی در اکثر دوره ها، ارتباط همزمان این دو متغیر از معناداری لازم برخوردار نیست. در نهایت، یافته ها قویا از وجود توزیع های غیر نرمال در بازار اوراق بهادار تهران حمایت می کنند.

در طول سالیان گذشته استفاده از فرآیند های Markov-switching (MS) جهت مدل نمودن دینامیک غیرخطی تلاطم سری های زمانی مالی به دلیل انعطاف پذیری آن در لحاظ ساختارهای مختلف برای داده ها به طور قابل ملاحظه ای افزایش یافته است. فرض متداول توزیع بازده، نرمال می-باشد در حالی که تحقیقات نشان داده است سری های زمانی مالی دارای چولگی معناداری نیز می باشند که چشم پوشی از آن می تواند منجر به خطا در پیش بینی که مهمترین هدف از بررسی یک سری زمانی است گردد. بنابراین آن چه که انگیزه اصلی این تحقیق را شکل داده است معرفی MS GARCH جهت مدل نمودن تلاطم بازده است به گونه ای که مدل بتواند عدم تقارن داده های مالی را نیز لحاظ نماید. بدین ترتیب عملکرد مدل های متقارن و نامتقارن MS GARCH را بر روی شاخص بورس اوراق بهادار تهران (Tepix) با یکدیگر مقایسه خواهیم نمود. در نهایت با توجه به ارزیابی های انجام شده مدل نا متقارن Mixicept که توانایی تولید چولگی دارد بهترین عملکرد را در بین تمامی مدل ها از خود نشان می دهد.

این مقاله به بررسی حباب قیمت درشرکت های پذیرفته شده در بورس اوراق بهادار تهران پرداخته است. ابتدا با استفاده از روش (باکس جنکینز) پسماند مدل برآورد کرده و برروی پسماند مدل آزمونهای تسلسل، چولگی، کشیدگی وریشه واحد (دیکی فولرتعمیم یافته) استفاده شده است که در بورس تهران طی دوره زمانی 1383 تا 1388 حباب قیمت رخ داده است. سپس با انجام آزمون های حباب قیمت، تمامی شرکتهایی که در قلمرو زمانی مذکور از رشد و سقوط شدید قیمتی در بورس برخوردار بوده به دو گروه شرکتهای بدون حباب و حباب قیمتی تقسیم شدند. برای پیش بینی حباب از متغیرهای درونزای شرکتها از قبیل: اندازه شرکت، ترکیب سهامدارن، نسبتP/E ، شفافیت اطلاعات و سرعت نقدشوندگی استفاده گردید درمرحله بعد با استفاده ازمدلهای لوجیت و پروبیت از نوع (0و1) مدلی برای پیش بینی حباب قیمت طراحی گردید. در برازش مدل از داده های شش ماه قبل از بروزحباب (شتاب قیمت) استفاده گردید. آزمون فرضیه های تحقیق نشان داد بین دو متغیر مستقل درونزای شرکت (اندازه شرکت و شناوری سهم) و حباب قیمتی ارتباط معنی داری وجود دارد.

پیش بینی بازده یکی از مفاهیم پیچیده و مورد علاقه سرمایه گذاران و تصمیم گیرندگان می باشد. برای پیش بینی بازده مدل های مختلفی مطرح شده است. هدف اصلی این پژوهش بررسی مقایسه ای توان پیش بینی مدل رگرسیون با استفاده از داده های ترکیبی و روش شبکه های عصبی مصنوعی می-باشد. برای این منظور ابتدا عوامل موثر بر بازده صندوق های سرمایه گذاری مشترک در قالب 13 متغیر شناسایی شدند. برای آزمون فرضیات این پژوهش، داده های مورد نیاز در طی سال های1389 الی1391به صورت ماهانه گردآوری شده و سپس با استفاده از روش های خطی و غیرخطی به پیش بینی بازده 30 صندوق سرمایه گذاری مشترک در بازار سرمایه ایران پرداخته شد. نتایج نشان می دهد که با استفاده از معیارهای ارزیابی عملکرد تا حدودی می توان بازده صندوق های مشترک را پیش بینی نمود و هر دو روش خطی و غیرخطی توانایی پیش بینی بازده صندوق ها را دارند اما عملکرد شبکه های عصبی مصنوعی بهتر می باشد. همچنین با استفاده از آزمون زوجی مشخص شد که بین میانگین بازده پیش-بینی شده و واقعی تفاوت معنی داری وجود ندارد.

یکی از مهم ترین مسائلی که همواره بانک ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری یا احتمال عدم ایفای تعهدات از سوی متقاضیان دریافت کننده تسهیلات اعتباری می باشد. رقم قابل توجه مطالبات معوق بانک ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می باشد. از این رو تاکنون تلاش های بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه بندی هرچه دقیق تر متقاضیان تسهیلات اعتباری صورت گرفته است. هدف اصلی این پژوهش بکار گیری روش حداقل مربعات ماشین بردار پشتیبان مبتنی بر الگوریتم ژنتیک (Ga-LSSVM) در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری می باشد. بدین منظور از مجموعه داده های بانک آلمان در پایگاه داده یادگیری ماشین UCI جهت نمایش اثربخشی و دقت طبقه بندی کننده Ga-LSSVM استفاده شده است. نتایج مدل ارائه شده با مدل آماری لاجیت و رویکردهای بهینه سازی پارامترهای ماشین بردار پشتیبان مقایسه شده است. یافته های پژوهش حاکی از آن است که در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، مدل Ga-LSSVM نسبت به مدل های بررسی شده از عملکرد مطلوبی برخوردار می باشد.