کاپولای پویا

هدف: هدف پژوهش حاضر، مقایسه عملکرد مدل های مارکویتز و مدل ارزش در معرض خطر با رویکرد نقدشوندگی تی کاپولا با هم بستگی شرطی پویا (DCC-t Cupola LVaR)، جهت بهینه سازی پرتفوی در بورس اوراق بهادار تهران است. ضمن ارائه یک مدل ترکیبی، م دل استخراج شده بررسی شده است تا کاراترین مدل، برای بهینه سازی سبد سرمایه گذاری با در نظر داشتن شرایط عدم قطعیت سرمایه گذاری و غیرخطی بودن هم بستگی بین بازده دارایی انتخاب شود. روش: برای تخمین DCC-tCopula-LVaR ابتدا از مدل (ARIMA -GARCH 1,1) سری زمانی جزء اخلال توزیع بازده دارایی ها برآورد و استاندارد می شود؛ سپس توزیع های حاشیه ای دارایی ها با استفاده از تابع تی کاپولا استیودنت برآورد می شود. در ادامه، از روش پارامتریک، مقادیر DCC-tCopula-LVaR محاسبه می شود. در گام آخر با استفاده از برنامه ریزی خطی، ترکیب بهینه پرتفوی و مرز کارای دو مدل در سطوح اطمینان 80، 85، 90، 95 و 99 درصد برای دو مدل فوق محاسبه خواهد شد. یافته ها: یافته های این پژوهش حاکی از آن است که هرچه مقدار ارزش در معرض خطر بیشتر می شود، مقدار شارپ مدل  DCC-tCopula-LVaR در مقایسه با مدل مارکویتز کاهش می یابد. نتیجه گیری: استفاده از مدل DCC-tCopula-LVaR در شرایطی که مقدار ارزش در معرض خطر تعدیل شده نقدینگی پایین است، عملکرد بهتری برای بهینه سازی سبد سهام در مقایسه با مدل مارکویتز، مبتنی بر معیار سنجش شارپ به همراه دارد.

بهینه سازی پرتفوی به عنوان یکی از چالش های کلیدی در مدیریت سرمایه، با هدف دستیابی به تعادل بهینه بین بازدهی و ریسک، همواره در کانون توجه پژوهش های مالی قرار دارد. اگرچه نظریه پرتفوی مدرن با معرفی چارچوب میانگین واریانس، بنیان های اولیه بهینه سازی را شکل داد، اما پیچیدگی های نوین بازارها، از جمله نوسانات پویا، ریسک های شدید، و وابستگی های غیرخطی، نیاز به روش های پیشرفته تری را آشکار ساخته است. این پژوهش با بهره گیری از مدل کاپولای پویا برای ارزیابی وابستگی های وابسته به زمان دارایی ها و ادغام معیارهای چندهدفه شامل بدترین حالت ارزش در معرض ریسک شرطی (WCVaR) و بازدهی تعدیل شده، دو چارچوب بهینه سازی مبتنی بر الگوریتم فراابتکاری ازدحام ذرات (PSO) و شبکه های مولد تخاصمی (GAN) را ارائه می دهد. هسته روش شناختی این مطالعه، مقایسه سیستماتیک توانایی های PSO و GAN در شناسایی پرتفوی های بهینه است. در حالی که PSO با مکانیزم جستجوی جمعی ذرات، فضای راه حل ها را با تمرکز بر بهبود همزمان نسبت شارپ و کاهش WCVaR کاوش می کند،GAN با استفاده از شبکه های مولد و تشخیصی، الگوهای پیچیده بازار را شبیه سازی کرده و پرتفوی هایی با سازگاری بالاتر با شرایط بحرانی طراحی می نماید. داده های تجربی این پژوهش، مبتنی بر اطلاعات تاریخی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است که در محیط Python پردازش و تحلیل شده اند. یافته های کلیدی نشان می دهند که هر دو مدل PSO و GAN نسبت به روش های کلاسیک مانند مارکویتز و پرتفوی با وزن برابر، برتری چشمگیری دارند. با این حال، GAN با بهبود نسبت شارپ و حفظ مقدار WCVaR در حد مدل PSO عملکرد بهتری از خود نشان می دهد. این شکاف عملکردی ناشی از توانایی GAN در مدلسازی روابط غیرخطی و شناسایی دارایی های با همبستگی منفی در شرایط نوسانی بازار است.