بررسي قدرت تبيين سنجه‌هاي ريسك طيفي، منسجم، انحراف و شبكه‌هاي عصبي مصنوعي و كاربرد آن‌ها در انتخاب سبد بهينه سرمايه گذاري در بورس اوراق بهادار تهران

Investigating the Power of Explaining Spectral, Coherent, Deviation and Artificial Neural Networks risk criterias and Their Application in Selecting the Optimal Investment Basket in Tehran Stock Exchange

هدف مطالعه حاضر مقايسه كارايي مدل­هاي شبكه عصبي و سنجه‌هاي موجود در دسته سنجه‌هاي ريسك در تشكيل پرتفوي بهينه است. ابتدا اطلاعات سري زماني مربوط به نرخ بازده شركت­هاي مختلف طي سال­هاي 95-1386 از بانك‌هاي اطلاعاتي سازمان بورس و اوراق بهادار ايران گردآوري شده و در چارچوب مدل­هاي شبكه عصبي و سنجه­ هاي ريسك طيفي، انحراف و منسجم با استفاده از آزمونهاي كوپيك ، كريستوفرسن و لوپز مورد تجزيه و تحليل قرار گرفته­اند. از نتايج آزمونهاي كوپيك و كريستوفرسن براي مدل­هاي شبكه عصبي و CVaR مشخص گرديد مقدار آماره آزمون LR براي تمامي گروه شركت‌هاي تحت بررسي بزرگ‌تر از مقدار بحراني است؛ بر اين اساس نتيجه­گيري شد كه عملكرد مدل­هاي شبكه عصبي و معيار CVaR در سطح معني‌داري 5 درصد براي تمامي گروه شركت‌ها قابل استناد مي‌باشد و براي سنجه SE، آماره آزمون LR براي تمامي گروه شركت‌ها كوچك‌تر از مقدار بحراني است؛ كه گوياي آن است كه عملكرد معيار SE براي تمامي گروه شركت‌ها در سطح معني‌داري 5 درصد قابل استناد نمي‌باشد. از سوي ديگر، بر اساس نتايج آزمون كوپيك و كريستوفرسن براي سنجه VaR نيز، مقدار آماره آزمون LR براي شش گروه شركت­ بزرگ‌تر از مقدار بحراني و براي چهار گروه شركت كوچك‌تر از مقدار بحراني بوده است. بر اين اساس مي‌توان گفت كه در مدل­هاي شبكه عصبي مصنوعي متوسط تعداد تخطي ­ها يا حالت استثنا در سطح معني‌داري 5 درصد كمتر از سنجه‌هاي ريسك طيفي، انحراف و منسجم مي‌باشد.

The purpose of the present study was to compare the efficiency of neural network models and available criteria in risk criteria in optimal portfolio formation. At first, time series data related to the return rate of different companies were collected from the databases of the Securities and Exchange Organization of Iran since 2008-2017, and analyzed in the framework of neural network models and Spectral, Deviation and Coherent risk measures by using Kupiec, Christofferssen and Lopez test. The results of the Kupiec and Christofferssen test for neural network models and CVaR, showed that the LR test statistic for the whole group of investigated companies was larger than the critical value. Based on this, it was concluded that the performance of neural network models and CVaR criteria can be acceptable for the entire group of companies at a significant level of 5% and the LR test statistic is lower than the critical value for SE criteria for the whole group of investigated companies. This suggests that SE's performance is not acceptable to all companies at a significant level of 5%. On the other hand, based on the results of Kupiec and Christofferssen test for VaR, the LR test statistic for the six groups of companies was larger and for the four was smaller than the critical value. Therefore, we can say that in artificial neural network models, the average number of violations or the state of exception in the level of 5% were less than the spectral, deviation and coherent risk measures.