واژههای کلیدی: ناپارآمتریک شبکه عصبی. غالمرضا زمردیان 2- استادیار و عضو هیات علمی گروه مدیریت بازرگانی دانشگاه آزاد اسالمی واحد تهران مرکز

Transcript

1 مجله مهندسي مالي و مديريت اوراق بهادار شماره بيست و چهارم / پائيز 4731 مقایسه توان تبیین مدل های ناپارآمتریک و مدل های شبکه عصبی در سنجش میزان ارزش درمعرض خطر پرتفوی شرکت های سرمایه گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران تاریخ دریافت: 39//5 تاریخ پذیرش: 39/1/12 1 غالمرضا زمردیان چکیده ریسک جز جدا نشدنی زندگی انسان ها در همه ادوار تاریخی می باشد بنابراین توجه به آن نیز در همه زمان ها و مکان ها با شدت و ضعف وجود داشته است. ارزیابی ریسک در زمان های مختلف به اشکال گوناگونی توجه انسان ها را به خود جلب نموده است. اما در دنیای امروز که دارای پیچیدگی های زیادی است شناخت اندازه گیری و محاسبه آن بسیار سخت شده است. این پیچیدگی در شناخت اندازه گیری و محاسبه بویژه در بازارهای مالی دو چندان گشته است. بنابراین روش های متفاوتی برای این ارزیابی ایجاد شده اند که از راه حل های ساده شروع شده و به مدل های سخت ختم می شود. از آن جایی که محور توسعه در هر کشوری سرمایه گذاری می باشد و تا این عمل تحقق پیدا نکند توسعه اتفاق نمی افتد بنابراین سرمایه گذار برای انجام سرمایه گذاری نیاز به دو آیتم دارد و به آنها توجه ویژه ای خواهد داشت یکی بازده و دیگری ریسک آن سرمایه گذاری می باشد. در محاسبه بازده دچار مشکل زیاد نمی شویم ولی آنچه ما را دچار مشکل می نماید بحث چگونگی محاسبه ریسک است که یک متغیر کیفی است. بنابراین برای پاسخ گویی به سرمایه گذار روش های متفاوتی با توجه به نوع داده های تخمین زننده پارآمترهای مدل های تبیین کننده ریسک طراحی و پا به عرصه وجود گذاشته اند. در میان این مدل ها دو گروه از مدل های ناپارآمتریک و شبکه عصبی در این تحقیق مورد بررسی قرار می گیرند تا توان این دو گروه را در پیش بینی ارزش در معرض خطر پرتفوی 12 شرکت سرمایه گذاری در بازار سرمایه ایران مورد سنجش قرار گیرد و مدل برتر معرفی شود. واژههای کلیدی: خطر معرض در ارزش پرتفوی بازده ریسک شرکتهای روش گذاری سرمایه ناپارآمتریک شبکه عصبی. gh.zomorodian@ gmail.com استادیار و عضو هیات علمی گروه مدیریت بازرگانی دانشگاه آزاد اسالمی واحد تهران مرکز

2 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز مقدمه در بازارهای مالی جهان واژه گانی چون بازده و ریسک با شدت زیادی در ارزیابی های پروژه های سرمایه گذاری به دلیل افزایش عدم اطمینان این بازارها مورد استفاده قرار می گیرد. برای این که سرمایه گذاری در بخش های مولد اقتصاد صورت بگیرد این بازارها ناگزیر می باشند تا شرایطی را ایجاد نمایند که وجوه سرمایه گذاری شده در آنها تا حدی از اطمینان با توجه به ریسک پذیرفته شده برخوردار باشند در غیر این صورت وجوه از این بازارها به سوی بازارهای هم عرض دیگر و یا حتی به سایر کشورها حرکت خواهند نمود که در این حالت برگرداندن اطمینان و بازگشت وجوه به این بازارها شاید اگر نگوئیم غیر ممکن ولی تا حد زیادی مشکل خواهد بود که این موضوع را ما می توانیم در بازار سرمایه خود در دوره های زمانی نه چندان دور مورد مشاهده قرار دهیم. شرکت های سرمایه گذاری که در بازارهای مالی به فعالیت می پردازند برای اینکه بتوانند با توجه به ریسک بازده مورد نیاز سهام داران خود را برآورده نمایند می بایست از مدل های استفاده کنند که این مدل ها قادر باشند هدف فوق را تحقق بخشند. با توجه به ویژگی های داده های بازار سرمایه همه مدل ها قادر به انجام پیش بینی های درست نخواهند بود و در میان انبوهی از مدل ها تنها مدل های قادر به انجام چنین کاری خواهند بود که بتوانند تبیین درستی از این بازار داشته باشند. از روش هایی که در حال حاضر در موسسات مالی و همچنین در بازارهای سرمایه مورد استفاده قرار می گیرد می توان به روش ارزش در معرض خطر اشاره کرد. از روش ارزش در معرض خطر برای برآورد و پیش بینی میزان ریسک و مدیریت آن بهره برداری می شود. از آنجایی که مطالعات انجام شده در بسیاری از بازارهای مالی برای مقایسه عملکرد مدل های موجود در تعیین ارزش در معرض خطر نتایج متفاوتی را نشان داده اند لذا در این پژوهش هدف بر آن است تا مدل های آماری ناپارآمتریک )مونت کارلو( و شبکه عصبی برای برآورد میزان ریسک در بازار مالی ایران از طریق روش ارزش در معرض خطر مورد بررسی قرار گیرد تا کارآترین مدل در تعیین سبد بهینه سهام در این بازار مشخص شده و مدل مطلوبی تعیین گردد که بتواند ریسک موجود در بازار مالی کشور را با توجه به ویژگی های آن برای یک سبد پرتفوی کارآ پیش بینی نماید. 2- مبانی نظری و مروری بر پیشینه پژوهش تغییرات سریع در محیط فعالیت بنگاه های اقتصادی ریسک و بازده این بنگاه ها و به تبع آن ریسک شرکت های سرمایه گذار در سهام این بنگاه ها و سایر بنگاه های مرتبط در این حوزه را به مراتب نسبت به گذشته افزایش داده است. تعاریف متفاوتی از ریسک بیان شده است ولی همه آنها از یک منظر با یک دیگر مشترک می باشند و آن خطری است که همه سرمایه گذاری ها را تهدید می نماید. فرهنگ وبستر ریسک را در معرض خطر قرار 31

3 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان گرفتن می داند و یا فرهنگ لغات سرمایه گذاری ریسک را زیان بلقوه ی سرمایه که قابل محاسبه است می داند.) Hildreth اگر ریسک و بازده را به عنوان متغیرهای اصلی دارایی ها برای تصمیم گیری های سرمایه گذاری در نظر بگیریم بازده یک متغیر کمی و ریسک یک متغیر کیفی می باشد و هدف مدیریت ریسک نیز کمی سازی این کیفیت ها جهت کنترل آن برای رسیدن به اهداف سازمان و مدیریت بهینه ریسک است.)موسسه عالی بانکداری ایران 1385 ) ریسک سبد دارایی کمتر از میانگین ساده ریسک های اوراق بهادار تشکیل دهنده آن خواهد بود. بنابراین اندازه گیری ریسک و مدیریت آن جزء جدا ناشدنی مجموعه تشکیل دهنده اوراق بهادار می باشد. در نتیجه برای اندازه گیری ریسک )که یک مفهوم کیفی است( یک قلم دارایی و یا یک مجموعه دارایی ها از فنون خاص )مدل های خاص( استفاده می کنیم. هرچند همه مدل های مورد استفاد دارای مفروضاتی هستند که گاها" این مفروضات غیر واقعی بنظر می آیند ولی باید توجه داشت که یک نظریه را تنها نباید بر اساس مفروضاتش مورد قضاوت قرار داد بلکه به چگونگی و کیفیت آن در توضیح و پیشگویی رفتار در جهان واقعی باید دقت نمود. )REILLY,23( مدیران ریسک بیشتر به دنبال ایجاد توازون بین ریسک و بازده می باشند. از مهم ترین عواملی که باعث 2 ایجاد تالطم در میزان عایدی موسسات مالی می گردد می توان به ریسک بازار نقدینگی اعتباری و عملیاتی اشاره نمود. بیشتر مدل های مدیریت ریسک برای ارزیابی ریسک از روابط تاریخی آماری استفاده می کنند. آنها این گونه فرض می نمایند که ریسک از یک فرایند شناخته شده و دائمی نشأت گرفته و از این روابط تاریخی می توان برای پیش بینی تحوالت ریسک در آینده استفاده نمود. ولی باید توجه داشت که بر اساس مطالعات انجام شده تا کنون هیچ روش قطعی برای پیش بینی تغییرات و تالطم های بازده سبد سهام که دارای قابلیت اطمینان زیاد برای همه بازارها باشد پا به عرصه وجود نگذاشته است. با توجه به میزان و انواع خطراتی که بازارهای مالی با آن برخورد می نمایند ارزش در معرض خطر جای خود را برای اندازه گیری انواع خطرها باز نموده است و از این سنجه می توان برای اندازه گیری انواع خطر استفاده نمود. مدل های متفاوتی در جهت تعیین ریسک پرتفوی طراحی شده است ولی روش ارزش در معرض خطر تقریبا" طریقی جدید در محاسبه ریسک بوده که خود این روش دارای شیوه های گوناگونی برای محاسبه ریسک پرتفوی می باشد. (Stephen Lawrence,2) عموما" یکی از مفروضاتی که در مورد سری بازده های مالی در بازارهای سرمایه در نظر گرفته می شود فرض نرمال بودن این سری بازده ها می باشد در حالی که توزیع بسیاری از سری های بازده مالی نرمال نیست و به طور فراگیری دارای چولگی و کشیدگی است اما به محض اینکه فرض نرمال صدق نکند اندازه محاسبه شده ریسک دارای خطای زیادی خواهد بود و انحراف معیار کارآی خود را از دست می دهد. تمرکز بر انحراف معیار به عنوان سنجه ریسک نشان گر آن است که سرمایه گذاران به احتمال بازده های منفی در 37

4 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 برابر بازده های مثبت وزن یکسانی می دهند و این در حالی است که سرمایه گذاران اغلب در برابر سود و زیان رفتارهای نامتقارن دارند. )Bennigas,21) بیان آماری VaR طبق تعریف ارزش در معرض خطر حداکثر زیانی است که کاهش ارزش سبد دارایی برای دوره معینی در آینده با ضریب اطمینان معینی از آن بیشتر نمی گردد. به بیان دیگر VaR 1 مشخص می نماید که با x درصد احتمال و طی افق زمانی مشخص شده حداکثر به چه میزان ارزش دارایی در معرض خطر قرار دارد. تعیین مبلغ در معرض خطر این اطمینان را به سرمایه گذار می دهد تا بتواند با نگهداری مبلغ محاسبه شده توسط شاخص ارزش در معرض ریسک حتی در صورت تحقق حداکثر زیان تعهدات خود را ایفا نماید و به همین علت است که به عنوان معیاری برای تعیین حد کفایت سرمایه برای بازارهای پول و همچنین برای نهادهای مالی مطرح گردیده است. )2 )GRCGN,GREGORIOU, بنابراین ارزش در معرض خطر یکی از کلیدی ترین ابزارهای سنجش ریسک بازار می باشد که در زمره سنجه های ریسک طیفی قرار دارد. این سنجه بیان کننده یک معیار آماری جهت اندازه گیری زیان های احتمالی است که به یک سرمایه گذاری در مدت زمان مشخص و با یک درجه احتمال معین ممکن است وارد شود و یا به عبارتی یافتن مقدار بحرانی برای سطح احتمال مورد نظر α می باشد که می توان آن را از طریق فرمول ذیل محاسبه نمود. فرض کنید X نشان دهنده متغیر تصادفی بازده در فضای احتمال ( Ω( با تابع توزیع باشد بنابراین برای هر( αϵ(,1 ارزش در معرض خطر با اطمینان %)α-2(1 به صورت ذیل تعریف گردیده است: [ ] = sup[ ] که بزرگترین صدک α است : این تعریف نیز می تواند با عبارت بیان شود یعنی کوچک ترین صدک )α-1(. تحلیل گران مالی برای محاسبه VaR برای دوره های زمانی مد نظر تقریبا" و به طور ثابت در وهله اول N را مساوی یک N=1( ) قرار می دهند و فرض معمول به صورت ذیل است: ارزش در معرض خطر یک روزه = ارزش در معرض خطر دوره مورد نظر دلیل این امر آن است که داده ها یکی است و بدون واسطه رفتار متغیرهای بازار در طول دوره های طوالنی تر از یک روز وجود ندارد. بیان می گردد که اگر توزیع بازده ها نرمال باشد این فرمول دقیقا" درست و در سایر موارد تقریبا" صحیح خواهد بود. )ALEXANDER,28( 37

5 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان در سنجه های ریسک بیان می شود که عموما" چهار گروه متدولوژی برای محاسبه ارزش در معرض خطر وجود دارد که عبارتند از متدولوژی پارآمتریک متدولوژی ناپارآمتریک متدولوژی شبه پارآمتریک و سایر روش ها. باید توجه داشت که هر یک از مدل های فوق بر اساس یک سری از مفروضات بنا و خلق شده اند که از بین مدل های موجود در این تحقیق از گروه روش های ناپارآمتریک )مونت کارلو( و شبکه عصبی جهت تعیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری استفاده می گردد و قدرت تبیین این مدل ها با یکدیگر مقایسه می گردد. روش محاسبه ریسک از طریق ارزش در معرض خطر برای موقعیت ها و ریسک های مختلف یک متد مشترک ریسک ارائه می نماید و می توان آن را برای محاسبه ریسک هر نوع سبدی بکار گرفت در حالی که متدهای دیگر تنها به یک مولفه ریسک می پردازند. بنابراین این روش ما را در تجمیع همه موقعیت ها توانمند می سازد در نتیجه واکنش های متقابل و همبستگی های میان همه عوامل و همچنین ریسک های مختلف را به ما نشان می دهد. باید توجه داشت که روش ارزش در معرض خطر دارای مزایا و معایب خاص خود می باشد ولی با این وجود روشی است که در جهان امروزی از آن استفاده فراوان می شود. 3 روش مونت کارلو از جمله روش های ناپارآمتریک می توان به روش مونت کارلو اشاره نمود که توسط اس یوالم و نیکالس مترو پلیس و همچنین ادوارد تلر پا به عرصه وجود گذاشت اما برای اولین بار توسط پی بویل در مسائل مالی بویژه قیمت گذاری اوراق مشتقه در سال 1977 بکار گرفته شد ولی امروزه موسسات مالی زیادی این روش را برای محاسبه ارزش در معرض خطر تعیین استراتژی های بهینه سرمایه گذاری و به عبارت دیگر حل مسائلی با هر درجه از تنوع و پیچیدگی مورد استفاده قرار می هند. بیان می شود که رویکرد شبیه سازی در عمل برای حل مسائل چند بعدی که نتایج به بیش از یک عامل ریسک بستگی دارد می تواند مورد استفاده قرار گیرد. در رویکرد ناپارآمتریک برای مدل سازی جهت تخمین سنجه های ریسک از آمار ناپارآمتریک استفاده می شود این رویکرد هیچ فرض خاصی را برای توزیع بازده دارایی ها تحمیل نمی کند یعنی اینکه هیچ فرض خاصی را در مورد توزیع تغییرات عوامل بازار در نظر نمی گیرد و بر پایه تقریب خطی قرار ندارد. به عبارت دیگر پایه اساسی همه روش های ناپارآمتریک بر این فرض اساسی قرار دارد که روند حرکت بازده های سهام های تشکیل دهنده سبد سهام و ریسک این سبد در آینده نزدیک تا حدود زیادی از گذشته نزدیک آن پیروی می نماید بنابراین اگر ما اطالعات گذشته را داشته باشیم می توانیم در مورد روند آینده آن سبد دارایی اظهار نظر نمائیم. باید بیان کرد که همه روش های ناپارآمتریک بر اساس شبیه سازی داده های تاریخی ارزش در معرض خطر را محاسبه می نمایند. 33

6 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 از آن جایی که این روش در بعضی از مواقع به روش شبیه سازی تاریخی شباهت زیاد دارد گاهی در این گروه از روش ها مورد بررسی قرار می گیرد هر چند که خود یک روش مستقلی نیز می باشد. در روش فوق فرض نرمال بودن توزیع بازدهی الزامی نیست. این روش بر خالف روش شبیه سازی تاریخی که از داده های تاریخی برای پیش بینی آینده استفاده می کند از فرآیندهای تصادفی و نمونه های شبیه سازی شده که به تعداد دفعات زیاد توسط کامپیوترها ساخته می شود برای پیش بینی آینده بهره برداری می نماید. (pearson24) به عبارتی هر چه پیچیدگی یا ابعاد تاثیر گذار افزایش یابد جذابیت این روش نیز افزایش می یابد. ریسک محاسبه شده در این روش در تعداد کم آزمایشات ابتدا" بی ثبات بوده ولی برای دست یابی به نتایج دقیق برای تخمین دقیق تر سنجه های ریسک به تعداد آزمایشات بیشتری نیازمند هستیم. در این روش با شبیه سازی به تعداد زیاد فرآیندهای تصادفی می توان تغییرات آینده را پیش بینی نمود. با استفاده از شبیه سازی مونت کارلو می توان توزیع اریب خطای معیار و...T را به صورت تقریبی و به شرح زیر بدست آورد. bias(t) Se= (T) [ ( ) ] در هنگام استفاده از این روش ابتدا" باید همه عوامل ایجاد کننده ریسک و فرآیندهای تصادفی آن برای متغیر مورد نظر را شناسایی نمود و سپس مسیرهای بازدهی پرتفوی شرکت ها با توجه به داده های بازدهی پرتفوی شرکت ها توسط این روش به طور تصادفی تولید گردد. البته در این روش تولید تصادفی بازده ها بستگی به این موضوع دارد که توزیع این بازده ها تنها به یک عامل ریسک مرتبط بوده یا چند عامل ریسک در ایجاد آن دخیل می باشند. بنابراین اگر چند عامل در ایجاد بازدهی تاثیر گذار باشند می بایست از توزیع های چند متغیره شبیه سازی شده استفاده نمود و در صورت استقالل توزیع ها امکان تصادفی سازی مستقل برای هر متغیر وجود دارد. آنگاه روش مونت کارلو با توجه به عوامل ریسک هر پرتفوی و هم چنین نوع اوراق بهادار موجود در آن به تعداد دفعات زیاد بازده های پرتفوی شبیه سازی شده را خلق می نماید. شبکه های عصبی هر چند که بنیانگذاران شبکه های عصبی افراد دیگری بودند اما روزنبالت 9 در اواخر دهه با معرفی 5 شبکه عصبی پرسپترون 5 برای نخستین بار امکان به کارگیری شبکه های عصبی را در حل مسائل کاربردی میسر ساخت. برای اولین بار وایت در سال 1988 از یک شبکه عصبی سه الیه برای بررسی های اقتصادی استفاده نمود. اجزا و عناصر ساختار تشکیل دهنده شبکه های عصبی به گونه ای است که همانند مغز دریافت و پردازش داده ها را به صورت هم زمان انجام می دهد. هر شبکه از الیه ورودی میانی و خروجی تشکیل می گردد. 37

7 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان عناصر پردازشی هر شبکه عصبی وظیفه دریافت و پردازش داده ها را بر عهده دارد که این داده ها می توانند داده های خام و یا اطالعات سایر نرون ها باشد. الیه های ورودی با توجه به ویژگی متغیر به صورت عدد وارد شبکه شده و پس از تحلیل و پردازش در الیه میانی که عملیات جبری )تابع تبدیل( بر روی داده ها را انجام می هد به صورت یک یا چند متغیر از الیه خروجی خارج می گردند. تابع جمع کننده سطح فعال شدن داخلی یک نرون را محاسبه می نماید. این توابع تبدیل در الیه خروجی و الیه های پنهان شبکه قرار دارند و دارای انواع متفاوتی می باشند که با توجه به سطح فعال شدن داخلی و برون داد می تواند خطی و یا غیر خطی بوده و بر اساس نیاز مورد نظر برگزیده گردد. معروفترین تابع غیر خطی تابع سیگموئیدی 6 نام دارد که به صورت ذیل می باشد., در فرمول فوق c وسعت ناحیه خطی بودن تابع را تعیین و ارزش نرمال شده Y می باشد که هدف آن تعدیل سطح برون دادها قبل از رسیدن به سطح بعدی می باشد و آن را به یک ارزش نرمال تبدیل می نماید. گاهی اوقات بجای استفاده از یک تابع تبدیل پیوسته از یک تابع محرک آستانه ای 2 استفاده می نمایند. )کمیجانی سعادت فر 1385( می توان بیان کرد که هر آنچه وارد الیه ورودی می گردد نقش متغیر مستقل و هر آنچه از آن خارج می گردد نقش متغیر وابسته را دارد. متغیرهای که وارد شبکه عصبی می گردند با توجه به اهمیت آنها دارای وزن های متفاوتی می باشند این وزن ها از طریق روش اعداد تصادفی تولید و از طریق تعدیالت مکرر در این وزن ها شبکه اقدام به تصحیح داده ها نموده و یادگیری را انجام می دهد. قانون یادگیری توسط روابط بازگشتی و به صورت معادالت تفاضلی بیان می گردد که به آن الگوریتم یادگیری گویند. در هر بار تکرار الگوریتم یادگیری اطالعات شبکه از محیط شرایط و هدف افزایش می یابد. از آنجائیکه یک نرون از نقاط متفاوت داده دریافت می نماید بنابر این از یک طرف هر نرون بردار وزن های متناظر خود را مطابق قانون یادگیری خاص خودش تغییر می دهد و از طرف دیگر وابسته به رفتار نرون های دیگر در شبکه می باشد. فرآیند یادگیری در سه مرحله محاسبه کردن برون دادها مقایسه برون دادها با پاسخ های مطلوب و تعدیل وزن ها و تکرار این فرآیند می باشد. در این مرحله سعی می گردد با تغییرات مداوم وزن ها باقی مانده یعنی تفاوت بین برون داد واقعی و برون داد مورد نظر به صفر برسد. شبکه های عصبی مصنوعی باقی مانده ها )خطاها( را به ط رق متفاوت با توجه به الگوریتم یادگیری که از آن استفاده می نمایند مورد محاسبه قرار می دهند و بیان می گردد که بیش از یکصد الگوریتم یادگیری با توجه به شرایط و موقعیت های گوناگون وجود دارد. )1992 al, )Medsker et معادالت زیر در ارتباط با نحوه یادگیری نرون های یک شبکه عصبی نگاشته می شود: برای حاالت پیوسته برای حاالت گسسته 33

8 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 در معادالت فوق نماید و همان وزن سیناپسی است که یک عبارت تصحیح کننده است. j امین عنصر بردار ورودی را به i )2 )1 )9 )9 امین نرون متصل می 3 8 ساختار شبکه های عصبی مصنوعی به شبکه های پیش خور و پس خور یا برگشتی تقسیم می گردند. شبکه عصبی پیش خور به شبکه تک الیه و چند الیه تقسیم می گردد. شبکه تک الیه و چند الیه هر الیه شامل ماتریس وزن جمع کننده ها بردار تورش و تابع تبدیل می باشد. در شبکه های پس خور حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرون های همان الیه و یا الیه قبل وجود دارد. باید توجه نمود که این یادگیری تا زمانی ادامه می یابد که یکی از شرایط زیر حاصل گردد: 11 رسیدن تعداد خطاها به سقف معین 12 کوچکتر شدن مقدار تابع عملکرد شبکه از مقدار هدف مشخص 13 گذشتن زمان آموزش از زمان معین 29 کوچک تر شدن گرادیان تابع خطا از میزان مشخص شده پیشینه پژوهش محاسبه ریسک در همه بازارها و بویژه در بازارهای مالی از اهمیت زیادی برخوردار می باشد در نتیجه این موضوع باعث می شود که افراد متخصص در امر تعیین میزان ریسک میزان خطر دارایی های مالی را به طرق مختلف محاسبه نمایند. از طرفی شرکت های سرمایه گذاری که تعداد زیادی از این دارایی ها را در پرتفوی خود دارند می بایست ریسک تک تک این دارایی ها را به تنهایی و از طرف دیگر به طور جمعی محاسبه نمایند و پرتفوی های را تشکیل دهند تا با بیشترین بازده کمترین ریسک را به همراه داشته باشد. در بازار سرمایه کشورهای مختلف از جمله ایران نیز در ارتباط با محاسبه ارزش در معرض خطر پژوهش های با استفاده از متدهای مختلف انجام شده است که هر کدام نسبت به دیگری به نتایج متفاوتی دست پیدا کرده اند. در متن زیر به تعدادی از آنها اشاره می گردد. خالوزاده و امیری در سال در تحقیقی 1385 بیان نمودند که با استفاده از روش ارزش در معرض خطر می توان پرتفوی بهینه را در بورس اوراق بهادار تعیین نمود.)مجله تحقیقات اقتصادی شماره 73(. تحقیقی که در سال 1386 شاهمرادی و زنگنه با استفاده از مدل های گروه ریسک متریسک برای پنج شاخص عمده انجام دادند مشخص گردید که اوال" واریانس ناهمسانی شرطی در بین داده های مالی مشاهده می گردد و ثانیا" این تحقیق بر این موضوع تاکید دارد که این گروه از مدل ها رفتار میانگین و واریانس داده ها را به نحوه مطلوبی توضیح می دهند و فرض توزیع t بهبود قابل توجهی را در نتایج بدست آمده ایجاد نخواهد نمود.)تحقیقات اقتصادی شماره 86(. سید رضا میر غفاری در سال 1389 در ارزیابی پرتفوی شرکت های سرمایه گذاری از دو گروه روش های GARCH و Risk Metrisk استفاده نمود و به این نتیجه رسید که امکان محاسبه با روش VaR GARCH وجود ناهمسانی واریانس در سری زمانی داده ها امکان پذیر نیست. بنابراین او از روش با توجه به عدم Risk Metrisk برای 78

9 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان محاسبه VaR استفاده نمود و همچنین نصرالهی ارزش در معرض خطر سبد ارزی کشور را با استفاده از دو روش مونت کارلو و GARCH مورد محاسبه قرار داد و به نتایج متفاوتی دست پیدا نمود. همچنین نصرالهی ارزش در معرض خطر سبد ارزی کشور را با استفاده از دو روش مونت کارلو و GARCH مورد محاسبه قرار داد و به نتایج متفاوتی دست پیدا نمود. پژوهش های خارجی روش ارزش در معرض خطر ابتدا" برای محاسبه ریسک در اواخر دهه هشتاد توسط بانک جی پی مورگان مورد استفاده قرار گرفت. در سال 1995 تعیین کفایت سرمایه خود استفاده کنند. در سال کمیته بال بانک ها را موظف نمود که که از مدل فوق برای 2 VaR پیتر جی.والر از روش های پارآمتریک شبیه سازی تاریخی و شبیه سازی مونت کارلو VaR را برای تعیین میزان ریسک بدره اوراق قرضه دولت آلمان استفاده نمود. جکسون و همکاران در سال ( 1998( پس از تحقیقات نتیجه گرفتند که استفاده از روش شبیه سازی از طریق روش های ناپارآمتریک نتیجه بهتری بدست می دهد. والر در سال )2( استفاده از روش تاریخی و مونت کارلو را بهتر از روش واریانس- کوواریانس پارآمتری بیان می کند. جنسای و سلسوک در سال )24( عملکرد نسبی مدل VaR را با بازده های سهام روزانه از طریق روش های ناپارآمتریک مورد بررسی قرار دادند و مالحظه نمودند که این روش ها نتیجه بهتری نسبت به سایر روش ها دارند. میشل اچ.بیریتنر هانس جورج.میتین هایم دانیال روچ فیلیپ سایبرتنز و جری جوری. تایم چنکو همگی از دانشگاه مالی و بانکداری و دانشگاه آمار هانوور در تحقیق خود که در سال 21 VaR ارائه نمودند عملکرد دو متد شبکه های عصبی و سایر روش های آماری را برای محاسبه ارزش در معرض خطر در جهت بهینه سازی پرتفوی مورد بررسی قرار دادند آنها از هیجده روش آماری و یک مدل شبکه عصبی برای محاسبه استفاده نمودند و به این نتیجه رسیدند که هیچ کدام از این مدل ها به صورت کارآتر از دیگری عمل نمی کند. اما در کل به خاطر این که شبکه های عصبی برآورد بهتری از انحراف معیار ها دارند نتایج پایدار تری را به همراه خواهند داشت. 3- متدولوژی و چگونگی اجرای پژوهش پژوهش حاضر از نظر ویژگی داده ها پس رویدادی 25 یا عل ی- مقایسه ای می باشد. از نظر انتخاب بهترین روش ارزیابی کننده پرتفوی سرمایه گذاری از دیدگاه ارزش در معرض خطر از نوع پژوهش های کاربردی بوده و ریسک و بازده پرتفوی از جمله متغیرهای این پژوهش هستند. از آن جائیکه هدف اساسی این تحقیق بررسی و ارزیابی قدرت تبیین و پیش بینی مدل های ناپارآمتریک و مدل های خانواده شبکه عصبی در تعیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری با مطالعه بیست و یک شرکت سرمایه گذاری می باشد لذا برای جمع آوری منابع نظری از روش 74

10 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 کتابخانه ای و برای جمع آوری داده های مورد نیاز جهت آزمون فرضیات از روش آرشیوی و با مراجعه به سایت بورس اوراق بهادار اقدام الزم صورت گرفته است. در این پژوهش از بین شرکت های سرمایه گذاری فعال در بازار سرمایه شرکت سرمایه گذاری به دلیل اینکه دارای اطالعات جامع تر و همچنین دارای میزان سرمایه قابل قبول در بازار سرمایه نسبت به سایر شرکت ها بودند به عنوان جامعه آماری مورد بررسی قرار گرفتند. به منظور اجرای این پژوهش وزن و اقالم تشکیل دهنده پرتفوی شرکت های سرمایه گذاری جامعه آماری جمع آوری و همچنین تغییرات وزنی و قیمتی آنها طی مدت زمان مذکور مشخص و در نتیجه بازده روزانه پرتفوی مورد نظر پژوهش آماده گردید. برای سازماندهی داده ها و محاسبات ابتدایی بر روی داده های خام از نرم افزار EXCEL و همچنین برای تجزیه و تحلیل داده ها و مدل سازی از نرم افزار MATLAB استفاده و آنگاه نتایج مدل ناپارآمتریک و ساختارهای مدل شبکه عصبی پرسپترون با یکدیگر مقایسه گردیده و بهترین مدل برای ارزیابی پرتفوی در بازار سرمایه ایران معرفی شده است. ما در روش مونت کارلو برای تولید بازده های تصادفی شبیه سازی شده پرتفوی شرکت های جامعه آماری ابتدا" از دو تابع برآونی هندسی )GBM( و تابع لم ایتو که در خلق داده های تصادفی مالی بکار گرفته می شوند استفاده نمودیم اما از آنجائیکه نتایج بدست آمده از داده های تصادفی تابع برآونی هندسی از نظر پیش بینی ارزش در معرض خطر بهتر بوده بنابراین از این تابع برای خلق بازده های تصادفی استفاده خواهیم نمود. پس می توان مدل فوق را برای تولید بازده های تصادفی شیبه سازی شده به صورت زیر نوشت: که در تابع فوق میانگین بازده مورد انتظار پرتفوی و نشان دهنده تغییرات نسبی بازده پرتفوی و بیان گر بازده پرتفوی در زمان و نشان دهنده فرآیند حرکت برآونی به هنگامی که تابع این فرآیند به صورت ε است می باشد در این تابع فرآیندی ε عدد تصادفی تولید شده با توجه به توزیع نرمال امکان پذیر است. )26 )Evans, برای اینکه تابعی که اعداد تصادفی تولید می کند یک تابع استاندارد وینر )براونی( باشد الف( ب( W()= W(t)-W(s) می بایست از ویژگی های هم چون: )پرهام 1389( برای ج( متغیرهای تصادفی برای همه دارای توزیع نرمال با میانگین صفر و واریانس t-s می باشد. مستقل بوده و به صورت: بعد از جایگزینی می توان تابع فوق را به صورت زیر نوشت: 78

11 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان از آنجا که همان تغییرات در بازدهی پرتفوی می باشد بنابراین قسمت اول طرف دوم تساوی ( بازدهی مورد انتظاری پرتفوی بوده و قسمت دیگر یعنی ( ) ) میزان تغییرات تصادفی است که بر اثر حاصل ضرب انحراف معیار در عدد تصادفی تولید شده بدست می آید. باید توجه نمود که میزان کارآیی روش مونت کارلو زمانی که متغیر تصادفی دارای واریانس کوچک باشد افزایش می یابد. بنابراین می بایست به دنبال روش هایی باشیم که متغیر تصادفی با حداقل واریانس تولید نماید. با استفاده از کامپیوتر 1 سری بازده تصادفی )به عبارتی 1 مسیر( که در هر سری بازده 1/ تصادفی شبیه به داده های سری بازده پرتفوی با استفاده از تابع فوق ایجاد می نمائیم و آنگاه از بین پرتفوهای تصادفی بازده ایجاد شده آن پرتفو بازده ای که دارای کمترین انحراف معیار باشد را به عنوان پرتفوی منتخب بر می گزینیم و سپس از این پرتفوی منتخب 951 بازده خلق شده مطابق با تعداد داده های تست جامعه آماری را انتخاب و با توجه به تابع VaR و سطح آلفای مورد نظر میزان ارزش در معرض خطر را برای بازده این پرتفوی محاسبه می کنیم و با ارزش در معرض خطر بازده واقعی مقایسه و میزان دقت روش مونت کارلو را از طریق تعداد شکست ها و پیروزی ها با توجه به سطح آلفا از طریق دو آزمون کوپیک و کریستوفرسن مورد بررسی قرار می دهیم. به منظور استفاده از شبکه عصبی ابتدا نرخ بازده پرتفوی) RPt ( با وقفه های ورودی )s( و 1-1 RPt 6 به عنوان متغیرهای نیز به عنوان متغیر خروجی )p( وارد مدل شبکه عصبی گردیده و در ادامه با توجه به مراحل انجام کار در مدلهای شبکه عصبی مصنوعی متغیرهای ورودی ) sها( به سه زیر مجموعه مجزا تحت عنوان دادههای آموزش )S1( دادههای اعتبارسنجی 26 )S2( و دادههای آزمون )S3( تقسیم و بر این اساس درصد از دادهها به عنوان دادههای آموزش و به ترتیب 2 و 2 درصد دادهها به امر اعتبارسنجی و آزمون اختصاص داده شده و سپس با توجه به قابلیتهای باالی شبکه پرسپترون چند الیه با تعداد الیه های مخفی این شبکه جهت طراحی ساختارهای مختلف مورد استفاده قرار گرفته است. تعداد الیه های مخفی و همچنین تعداد نرون ها در هر الیه و برای هر شبکه در ساختارهای مختلف متغیر می باشد. به منظور تعیین توابع فعالیت در الیه مخفی و خروجی از آنجایی که تابع زیگموئیدی در ساختارهای مختلف طراحی شده دارای عملکرد بهتری بوده لذا از این تابع به عنوان تابع فعالیت در الیه مخفی و خروجی استفاده می گردد. همچنین با توجه به مزیت باالی الگوریتم آموزش مومنتم نسبت به سایر الگوریتمهای آموزش جهت فرار از دام مینیمم محلی 22 برای تصحیح وزن ها و به دست آوردن وزن های بهینه شبکه از الگوریتم آموزش مومنتم و جهت آموزش و یادگیری شبکه به ترتیب از نرخ های آموزش و یادگیری /5 و /1 استفاده شده و به منظور انتخاب شبکه عصبی مطلوب جهت محاسبه ارزش در معرض خطر و مقایسه دقت پیش بینی شبکه عصبی مصنوعی در هر یک از ساختارهای طراحی شده از معیارهای میانگین قدر مطلق خطا 28 میانگین مربع خطا 23 )MSE( و مجموع مربع خطا 11 )SSE( استفاده می شود. )MAE( 77

12 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز فرضیه های پژوهش )2 )1 )9 مدل های ناپارآمتریک )مونت کارلو( توان تبیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری را دارند. مدل های شبکه عصبی توان تبیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری را دارند. تفاوت معنی داری بین مدل های ناپارآمتریک )مونت کارلو( و شبکه عصبی در ارزیابی میزان ارزش در معرض خطر پورتفوی وجود دارد. 5- اعتبارسنجی مدل امکان استفاده از هر مدل برای پیش بینی بستگی به تعداد دفعاتی دارد که آن مدل بتواند تصویری مطلوب از آینده ارائه نماید. بنابراین برای دستیابی به این موضوع از دو آزمون کوپیک و کریستوفرسن استفاده می نمائیم. به عبارتی اساس و نقش واقعی محاسبات VaR توانائی آن در پیش بینی بوده که سرمایه گذار را در باره حداکثر زیانی که ممکن است رخ دهد آگاه می نماید. بنابراین اگر مقدار سطح اطمینان مورد نظر از میزان VaR VaR واقعی در پیش بینی شده بیشتر باشد می توان بیان نمود که یک تخطی اتفاق افتاده است. بنابراین اگر آماره آزمون محاسبه شده کوپیک )نسبت احتمال شکست( کوچک تر از توزیع کای دو با درجه آزادی یک باشد می توان نتیجه گرفت که مدل از نظر آماری قدرت پیش بینی ارزش در معرض خطر را دارد یعنی آنکه تعداد تخطی های مدل به لحاظ آماری تفاوت معنی داری با تعداد تخطی های مورد انتظار ندارد. آزمون کریستوفرسن استقالل شکست ها و پیروزی ها را از یکدیگر نشان می دهد به عبارتی نشان می دهد که شکست ها و پیروزی ها ارتباطی با یکدیگر دارند و یا ندارند. بنابراین اگر آماره محاسبه شده توسط این آزمون از آماره مقدار بحرانی کای دو در سطح اطمینان مورد نظر کمتر باشد نشان دهنده این موضوع است که شکست ها و پیروزها از یکدیگر مستقل می باشند. به منظور اعتبار سنجی و تعیین میزان قدرت مدل های پیش بینی و همچنین محاسبه کننده ارزش در معرض خطر جهت بررسی فرضیه از آزمون های کوپیک و کریستوفرسن و برای مقایسه مدل ها از آماره آزمون لوپز استفاده می نمائیم. پس از انتخاب سری بازده های شرکت های سرمایه گذاری منتخب ارزش در معرض خطر این شرکت ها را محاسبه می نمائیم. با محاسبه شاخص نوسانات و یا به عبارت دیگر برای مدل های ناپارآمتریک )مونت کارلو( و شبکه عصبی مدل مناسب برای پرتفوی هر شرکت جهت محاسبه VaR انتخاب می گردد تا با آن بتوان ارزش در معرض ریسک درصدی روزانه )VAR( در سطوح اطمینان مختلف شامل %9 را محاسبه نمود. برای محاسبه ارزش در معرض خطر از فرمول زیر استفاده گردید. %99 %95 و VAR = 71

13 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان h در رابطه فوق نشان دهنده مقدار بحرانی توزیع نرمال شاخص نوسانات محاسبه شده از مدل ها دوره زمانی )یک روزه( و بیان گر میانگین بازدهی روزانه پرتفوی می باشد. ابتدا" برای هر دو مدل آزمون های کوپیک و کریستوفرسن را محاسبه می نمائیم تا توان تبیین هر دو گروه مدل را در تبیین ارزش در معرض خطر مورد بررسی قرار دهیم و آنگاه از طریق آزمون لوپز این دو مدل را اولویت بندی نموده و مدل برتر را معرفی می کنیم. 6- آزمون فرضیه 1-6- آزمون فرضیه و نتایج آن مدل های ناپارآمتریک )مونت کارلو( توان تبیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری را دارند. میزان دقت مدل از طریق آزمون های کوپیک و کریستوفرسن از طریق پس آزمایی مورد بررسی قرار می گیرد. با بررسی نتایج آزمون کوپیک روش مونت کارلو و با توجه به سری بهینه بازده تصادفی شبیه سازی می توان بیان نمود که این مدل قادر بود که ارزش در معرض خطر 4 /99 به درستی پیش بینی نماید ولی قادر به پیش بینی چنین مدل توانسته برای سه شرکت در سطح اطمینان پیش بینی درست را انجام دهد. برای 17 /95 16 شرکت را در سطح اطمینان شرکت در این سطح از اطمینان نبود. هم و برای یک شرکت در سطح اطمینان /9 شرکت نیز روش مونت کارلو در هیچ سطحی قادر به پیش بینی نبوده است. جدول شماره )1( نشان دهنده میزان موفقیت شرکت های جامعه آماری در سطوح اطمینان متفاوت است. جدول شماره )1(: تعداد موفقیت و شکست مدل مونت کارلو در سطوح اطمینان متفاوت سطح اطمینان تعداد پیروزی تعداد شکست تعدادکل درصد پیروزی درصد شکست %81 % % %85/8 %14/ % %95/3 %4/ % ماخذ: نتایج تحقیق با توجه به نتایج بدست آمده از آزمون کریستوفرسن می توان بیان نمود که این آزمون برای همه شرکت های جامعه آماری مورد بررسی در همه سطوح اطمینان رد شده است و این موضوع بدان معنی است که فرضیه که نشان دهنده استقالل پیروزی ها و شکست ها از یک دیگر می باشد مورد تائید قرار نگرفته است یعنی اینکه پیروزی ها و شکست ها با یک دیگر دارای ارتباط می باشند. جدول شماره )2( نمایانگر مقادیر این آزمون می باشد. 77

14 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 سطح اطمینان 99% 95% 9% جدول شماره )2(: تعداد پیروزی ها و شکست ها تعداد پیروزی تعداد شکست تعدادکل درصد پیروزی درصد شکست ماخذ: نتایج تحقیق مدل های شبکه عصبی توان تبیین ارزش در معرض خطر پرتفوی شرکت های سرمایه گذاری را دارند. نتایج آزمون کوپیک مدل های بهینه انتخاب شده شبکه عصبی بیان کننده آن است که این مدل ها قادر بودند که ارزش در معرض خطر 15 شرکت را در سطح اطمینان /99 بدرستی پیش بینی نمایند ولی قادر به پیش بینی 6 شرکت در این سطح از اطمینان نبودند. هم چنین شبکه عصبی توانسته برای هشت شرکت در سطح اطمینان /95 و برای پنج شرکت در سطح اطمینان /9 پیش بینی درست را انجام دهد. برای سه شرکت نیز شبکه عصبی در هیچ سطحی قادر به پیش بینی نبوده است. جدول شماره )3( نشان دهنده میزان موفقیت و عدم موفقیت شرکت های جامعه آماری در سطوح اطمینان متفاوت است. جدول شماره )3(: میزان موفقیت و عدم موفقیت شرکت های جامعه آماری درصد شکست درصد پیروزی تعدادکل تعداد شکست تعداد پیروزی سطح اطمینان %28/6 %71/ % %52 % % %76/2 %23/ % ماخذ: نتایج تحقیق نتایج آزمون کریستوفرسن شبکه عصبی نشان دهنده آن است که از شرکت در سطح احتمال شرکت تحت این آزمون 9 4 و /99 شرکت در سطح احتمال /95 پیروز از این آزمون بیرون آمدند و این بدان معنی است که پیروزی و شکست های امروز به پیروزی و شکست های روزهای قبل مرتبط می باشد و 17 و 12 به ترتیب /9 شرکت نیز این آزمون را در سطوح اطمینان فوق با موفقیت پشت سر نگذاشتند یعنی اینکه هیچ ارتباطی بین پیروزی ها و شکست های امروز و روزهای گذشته وجود ندارد. در سطح احتمال نیز هیچ شرکتی این آزمون را با موفقیت طی نکرده است. جدول شماره )4( نشان دهنده تعداد و درصد موفقیت و شکست این آزمون می باشد. 77

15 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان جدول شماره )4(: تعداد و درصد موفقیت و شکست شبکه عصبی در آزمون کریستوفرسن درصد شکست درصد پیروزی تعدادکل تعداد شکست تعداد پیروزی سطح اطمینان 57/2 42/ % % 1 9% ماخذ: نتایج تحقیق با توجه به نتایج بدست آمده می توان بیان نمود که در سطح اطمینان داده ها از یکدیگر مستقل و در /99 در %42/8 %57/2 مواقع تخطی مواقع شکست ها و پیروزی ها با یکدیگر در ارتباط می باشند. هم چنین در سطوح دیگر اطمینان آماره های آزمون در اکثریت مواقع بیان گر ارتباط شکست ها و پیروزی ها از یکدیگر می باشد. از آنجایی که ما از 1 داده 1911 داده را برای برازش مدل و تعداد 911 داده از بازده واقعی پرتفوی را جهت تست مدل ها در نظر گرفتیم بنابراین بر اساس آزمون لوپز تعداد تخطی های مورد انتظار در سطوح اطمینان %9 و %99 %95 با تقریب برابر است با 95 و 48 1 است و مقدار مورد انتظاری نیز در این سطوح از تخطی محاسبه شده است. که در جدول شماره )5( نشان داده شده در سطح تعداد تخطی های مورد انتظار جدول شماره )5(: مقدار /9 /95 /99 سطوح اطمینان تعداد تخطی و مقدار تعداد تخطی های مورد انتظار /1798 /959 /28 بهینه مقدار ماخذ نتایج تحقیق تفاوت معنی داری بین مدل های ناپارآمتریک )مونت کارلو( و شبکه عصبی در ارزیابی میزان ارزش در معرض خطر پورتفوی وجود دارد. برای مقایسه بهتر چگونگی عملکرد مدل ها برای برآورد ارزش در معرض خطر جدول شماره )6( ایجاد گردیده است. با توجه به نتایج بدست آمده کارآیی گروه مدل های شبکه عصبی هم از نظر تعداد و هم از نظر عملکرد ( بر اساس آماره لوپز ) نسبت به مدل های ناپارآمتریک) مونت کارلو( دارای تفاوت معنی داری می باشد. 73

16 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 جدول شماره )6(: وضعیت میزان کارآیی مدل ها بر اساس آماره لوپز مدل و احتمال مونت کارلو شبکه عصبی %9 %95 %99 %9 %95 %99 عملکرد 1 1 تعداد عملکرد بهینه مدل تعداد عملکرد باالی مدل تعداد عملکرد پائین مدل 1 ماخذ: نتایج تحقیق با توجه به داده های آماره لوپز در سطوح اطمینان %95 و %99 می توان نتیجه گرفت که به دلیل آنکه مقادیر محاسبه شده این آماره در گروه مدل های شبکه عصبی به مقدار بهینه آماره لوپز نزدیک است پس قدرت تبیین ارزش در معرض خطر مدل های شبکه عصبی از مدل های ناپارآمتریک بیشتر است. بنابراین می توان فرضیه را که مبتنی بر وجود تفاوت معنی دار در ارزیابی میزان ریسک پرتفوی از طریق ارزش در معرض خطر توسط مدل های فوق را تائید نمود. 6- نتیجه گیری و بحث پژوهش حاضر سعی بر آن داشت تا توان تبیین ارزش در معرض خطر پرتفوی بیست و یک شرکت سرمایه گذاری فعال در بازار سرمایه ایران را از طریق گروه مدل های ناپارآمتریک )مونت کارلو( و شبکه عصبی با یکدیگر مقایسه نماید. پس از تعیین پرتفوی و بازده لگاریتمی پرتفوی شرکت های سرمایه گذار فعال در بازار سرمایه که تقریبا" حدود هفتاد درصد سرمایه شرکت های سرمایه گذاری در اختیار این گروه قرار دارد توان تبیین ارزش در معرض خطر مدل مونت کارلو و شبکه عصبی را محاسبه و از طریق آزمون های کوپیک و کریستوفرسن این قدرت تبیین را سنجش کردیم و آنگاه از طریق آزمون لوپز این دو مدل را با یکدیگر مقایسه نمودیم. و به این نتیجه رسیدیم که مدل های گروه شبکه عصبی در بازار سرمایه کشور ایران دارای قدرت تبیین بیشتری نسبت به روش مونت کارلو می باشد. فهرست منابع ترابی حمزه. " آشنایی با روش مونت کارلو در آزمون فرض ها" گروه آمار دانشگاه یزد. التون ادوین و همکاران )2932( "نظریه جدید سبد دارایی و تحلیل سرمایه گذاری" جلد اول چاپ اول ترجمه علی سوری تهران پژوهشکده پولی و بانکی ص رادپور میثم و عبده تبریزی حسین )2988( " اندازه گیری و مدیریت ریسک بازار" چاپ اول تهران موسسه انتشارات آگاه پیشبرد ص 77

17 مقايسه توان تبيين مدلهای ناپارامتريک و مدلهای شبکه عصبي در سنجش ميزان... / غالمرضا زمرديان راعی رضا فالح طلب حسین ) 2931 ( " کاربرد شبیه سازی مونت کارلو و فرآیند قدم زدن تصادفی در پیش بینی ارزش در معرض ریسک" فصلنامه مهندسی مالی و مدیریت اوراق بهادار شماره شانزده ص شاهمرادی اصغر زنگنه محمد ) 2985 ( " محاسبه ارزش در معرض خطر برای شاخص های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک" ص شیخی زینب )2983( بررسی عملکرد شبیه سازی مونت کارلو و مدل ریسک متریک در پیش بینی ریسک بازار در بورس اوراق بهادار تهران رساله فوق لیسانس دانشگاه آزاد واحد مرکز. غالمی غالمحسین میرترابی آرش )2932( " کارلو" سومین کنفرانس ریاضیات مالی و کاربردها دانشگاه سمنان. روش های کاهش واریانس در روش مونت فتاحی علی )2986( مقایسه و کارایی و قدرت پیش بینی شبکه های عصبی و تحلیل ممیز چند گانه در پیش بینی درماندگی مالی شرکت های تولیدی رساله فوق لیسانس دانشگاه آزاد اراک. فرید داریوش میر فخرالدینی سید حیدر رجبی پور میبدی علیرضا طراحی مدلی برای مدیریت ریسک سرمایه گذاری در بورس اوراق بهادار با استفاده از تکنیک شبیه سازی مونت کارلو دانشگاه یزد. منهاج محمد باقر ) 2932 ( "مبانی شبکه های عصبی" جلد اول چاپ هشتم انتشارات دانشگاه صنعتی امیر کبیر. Alexander, Carol,(28) Market Risk Analysis: Value at Risk Models, Volue IV, John Wiley &Sons, ltd.pp Breitner, h. Luedtke, c. Mettenheim, H. Rosch, D. Sibbertsen. And Tymchenko, G " Modeling portfolio Value at Risk with Statistical and Neural Network Approaches" In statute for Information Systems Reserch, the Univercity of Hannover,Germany. Christoffersen, P. F.(1998)." Evaluating interval forecasts"international Economic Review. Creal.D.(29)." A survey of sequential Monte Carlo methods for economics and finance"university of Chicago, Booth School of Business. Diamandis, p. Anastassios, D. Kouretas, G. and Zarangas, L.(211)." value- at Risk for long and short trading positions: Evidence from developed and emerging equity markets" International Review of Financial Analysis". Dunis, C., Laws, J., karathanasopoulos, A., " GP Algorithm Versus Hybrid and Mixed Neural Networks". Liverpppl John Moores University. Franke, J. Diagne, M.(26)."Estimating market risk with neural network ". Statis Gregoriou, Greg.N, (29) The VaR Implementation Handbook, Volue I, McGraw- Hill,Inc,pp Hull, J., White, A., (1998)." Value at Risk When Dally Changes in Market Variables Are Not Normally Distributed". Journal of Derivatives, Vol. 5. NO.3. Kraus, A. and Litzenbeger, R.(1976)."Skewness Preferences and Valuation of RISK Assets".Journal of Finance,3,

18 فصلنامه مهندسي مالي و مديريت اوراق بهادار/ شماره بيست و چهارم/ پائيز 4731 Kupice, P.(1995)."Techniques for verifying the accuracy of risk measurement models". Journal of Derivatives, Volue,3. Longin, L.(1999). " From Value at Risk to Stress testing: The extreme Value approach" Journal of Banking &Finance,pp Mackay,D.J.C."Introodution To MONT Carlo Methods" Department of Physics, Cambridge University.United Kingdom,pp Nelson, D. (1991)."Conditional Hetroscedasticity in asset returns: A new approach". Econometric 95,.pp یادداشت ها Volitaility Value at risk Monte Carlo Simulation Method Frank Rosenblat Perceptron Sigmeid Function Threshold Detector Feed Forward Feed Back Bias Max Epochs Goal Max Time Min Grad ex post factor Cross Validation Local Minima Mean Absolute Error Mean Squared Error Sum Squared Error 38