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

Subject Areas : Journal of Investment Knowledge

Hamidreza Katebi ¹ (Master of Science in Financial Engineering, Azad University of Tehran South, Tehran, Iran)
Ghlamreza Zomrodian ² (Assistant Professor, Faculty Member of Tehran Azad University Azad University, Tehran, Iran. (Corresponding Author))

Received: 2017-12-17 Accepted : 2018-02-28 Published : 2019-06-22

Keywords: Spectral risk, Deviation risk, Coherent risk, Kupiec test, Christofferssen test,

Abstract :

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.

References:

*       زراء‏نژاد، منصور، حمید، شهرام، (1388)، "پیش‏بینی نرخ تورم در اقتصاد ایران با استفاده از شبکه‏های عصبی مصنوعی پویا (دیدگاه سری زمانی)"، فصلنامه اقتصاد مقداری، (1)6: 167-145.

*       زمردیان، غلامرضا. (1394). "مقایسه توان تبیین مدل‌های ناپارآمتریک و مدل‌های شبکه عصبی در سنجش میزان ارزش در معرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران"، مجله مهندسی مالی و مدیریت اوراق بهادار، 24: 90-73.

*       رهنمای رودپشتی، فریدون، قندهاری، شراره، (1394). "برآورد ارزش در معرض خطر مبتنی بر محدودیت بر ارزیابی عملکرد مدیریت پرتفوی فعال در بورس اوراق بهادار تهران"، مجله مهندسی مالی و مدیریت اوراق بهادار، 113-91.

*       سجاد، رسول، گرجی، مهسا. (1391). "برآورد ارزش در معرض خطر با استفاده از روش باز نمونه‌گیری بوت استرپ"، فصلنامه مطالعات اقتصادی کاربردی ایران، 1(1): 164-137.

*       شاهمرادی، اصغر، زنگنه، محمد، (1386). "محاسبه ارزش در معرض خطر برای شاخص‎های عمده بورس اوراق بهادار تهران با استفاده از روش پارامتریک"، مجله تحقیقات اقتصادی، 42(2): 139-121.

*       طالب نیا، قدرت اله، فتحی، مریم. (1389). "ارزیابی مقایسه‌ای انتخاب پرتفوی بهینه سهام در بورس اوراق بهادار تهران از طریق مدل‌های مارکویتز و ارزش در معرض خطر"، مجله مطالعات مالی، 6: 93-71.

*       طرازکار، محمد حسن، (1384)، "پیش­بینی قیمت برخی محصولات زراعی در استان فارس، کاربرد شبکه عصبی مصنوعی"، پایان نامه کارشناسی ارشد، گروه اقتصادکشاورزی دانشگاه شیراز.

*       فاست، لوران. (1392). "مبانی شبکه‏های عصبی، ساختارها، الگوریتم‏ها و کاربردها"، ترجمه ویسی، هادی، مفاخری، کبری و باقری شورکی، سعید. نشر نص، تهران.

*       قدیمی، محمدرضا، مشیری، سعید، (1381)، "مدل‏سازی و پیش‏بینی رشد اقتصادی ایران با استفاده از شبکه­های عصبی مصنوعی"، فصلنامه پژوهش‏های اقتصادی ایران، 12: 127-95.

*       کیانی هرچگانی، مائده، نبوی چاشمی، سیدعلی، معماریان، عرفان، (1393)، "بهینه‌سازی سبد سهام بر اساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از روش الگوریتم ژنتیک"، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 3(11): 164-125.

*       مهرابی بشرآبادی، حسین، کوچک‏زاده، سمیه، (1388)، "مدل­سازی و پیش‏بینی صادرات محصولات کشاورزی ایران: کاربرد شبکه‏های عصبی مصنوعی"، مجله اقتصاد و توسعه کشاورزی، (1)23: 58-49.

*       منهاج، محمد باقر، (1387)، "مبانی شبکه‌های عصبی (هوش محاسباتی)"، دانشگاه صنعتی امیرکبیر، مرکز نشر پرفسور حسابی، چاپ پنجم.

*       نبوی چاشمی، سیدعلی، پورباباگل، حمزه، داداش پورعمرانی، احمد، (1391). "ارزیابی عملکرد تخمین زننده‌های ارزش در معرض خطر با استفاده از الگوریتم ژنتیک"، دانش سرمایه‌گذاری، 1(1): 42-13.

*       نصرتی، هاشم، پاکیزه، کامران، (1393)، "تخمین ذخیره سرمایه ریسک عملیاتی در صنعت بانکداری با استفاده از رویکرد توزیع زیان (LDA)"، مجله مهندسی مالی و مدیریت اوراق بهادار، 20: 26-1.

*       نقاده، حمیده، فیروزان سرنقی، توحید، (1396)، "ارائه الگویی برای تعیین نرخ سود در عقود مبادله‏ای با استفاده از شبکه‏های عصبی مصنوعی"، فصلنامه پژوهش‏های اقتصادی، (1)17: 72-45.  

*       نوروززاده، پیام، (1385). "کارایی روش‌های اندازه‌گیری دارایی در خطر در بورس تهران"، همایش آینده‌پژوهی، فناوری و چشم‌انداز توسعه، تهران، دانشگاه صنعتی امیرکبیر.

*       Abad, C., and Iyengar, G. (2014). “Portfolio selection with multiple spectral risk constraints”, SIAM Journal on Financial Mathematics, 6(1), 467-486.

*       Aminian, F, Surez, E, Dante Aminian, M, and Walz, D. (2007). “Forecasting Economic Data with Neural Networks”, Journal of Computational Economics, 28: 71–88

*       Artzner, P, Delbaen, F, Eber J.M, and Heath, D. (1999), Coherent measures of risk. Mathematical Finance, 9:203–28.

*       Christoffersen, P. F. (1998). "Evaluating Interval Forecasts", International Economic Review, 39(4): 841-862.

*       Kupiec, P. (1995). "Techniques for Verifying the Accuracy of Risk Measurement Models", Journal of Derivatives, 73-84.

*       Lopez, J. (1999). “Methods for Evaluating Value-at-Risk estimates, Federal Reserve Bank of San Francisco”, Economic Review, 2: 3-17.

*       Jorion, P. (2006). “Value at risk: the new benchmark for managing financial risk (3 ed.)”.

*      *Rockafellar, R. T, and Uryasev, S. (2002). “Conditional value-at-risk for general loss distributions”, Journal of Banking and Finance, 26:1443–1471