نوع مقاله : مقاله پژوهشی
موضوعات
عنوان مقاله English
نویسندگان English
This study aims to design an optimal investment portfolio to minimize risk and enhance returns. Using daily data from 10 active companies listed on the Tehran Stock Exchange from October 30, 2016, to April 29, 2023, we employ the Time-Varying Parameter Vector Autoregression (TVP-VAR) model. Portfolio optimization is conducted using the Minimum Variance Portfolio (MVP), Minimum Correlation Portfolio (MCP), and Minimum Connectivity Portfolio (MCoP) approaches. The results show that the MVP strategy yields the highest cumulative portfolio returns. Under normal market conditions, the largest optimal weights are allocated to Damavand (19%), Tapico (18%), and Seshahd (15%), whereas asset compositions shift significantly during bullish and bearish markets. Dynamic weight analysis indicates that certain companies, such as Shetran and Tapico, play a crucial role in risk hedging during specific periods. This study demonstrates that using dynamic, time-varying models improves analytical accuracy and aligns more closely with market realities. It also emphasizes the importance of educating investors on dynamic portfolio management and advanced tools for adjusting investment portfolios. The findings offer valuable insights for policymakers and market participants, highlighting the need for flexible investment strategies that can adapt to evolving market conditions.
کلیدواژهها English
طراحی سبد بهینه سرمایهگذاری و مدیریت نحوه پوشش ریسک میان داراییها از چالشهای مهم در حوزه مالی محسوب میشود. با توجه به همبستگی میان داراییها و اثر سرریز (Spillover) آنها بر یکدیگر، ضروری است که ترکیبی مناسب از داراییها انتخاب شود.[1] در طراحی سبد بهینه سرمایهگذاری، باید در نظر داشت که بازار سرمایه تحت تأثیر رخدادهای سیاسی، اقتصادی، اجتماعی، داخلی، خارجی و حتی حوزه بهداشت و سلامت بهشدت دچار تلاطم میشود. بروز تلاطمات در یک دارایی ممکن است به سایر داراییها منتقل شود که علیت و شدت انتقال و دریافت نوسان در طول زمان و شرایط بازدهی مثبت یا منفی میتواند متفاوت باشد.[2] ازاینرو تحلیل تأثیرگذاری و تأثیرپذیری داراییها و شناسایی نحوه انتقال و دریافت ریسک میان آنها در طی زمان از اهمیت ویژهای برخوردار است. شناخت ساختار اتصالات و سرریز تلاطمات میتواند به سرمایهگذاران در انتخاب سبد دارایی بهینه و به سیاستگذاران در تدوین سیاستهای مالی و به الگوسازان در قیمتگذاری داراییها کمک شایانی کند.
بر این اساس، دستیابی به ترکیب بهینه سبد سرمایهگذاری مستلزم شناخت دقیق رفتار سهام نسبت به یکدیگر یا به عبارت دیگر، درک ارتباط میان بازدهی داراییها در سبد سرمایهگذاری است. ازاینرو ضروری است که تغییرات ارتباط میان بازدهی داراییها در طول زمان بررسی شود و مشخص شود که در کدام بازههای زمانی امکان متنوعتر کردن سبد سرمایهگذاری فراهم بوده است. همچنین لازم است وزن بهینه استاتیک داراییها در سه حالت روند عادی بازارها، بازارهای خرسی و گاوی براساس سه رویکرد حداقل واریانس، حداقل همبستگی و حداقل اتصال تعیین شود. علاوه بر این، بررسی وزن بهینه پویا هر یک از داراییها براساس این سه رویکرد اهمیت ویژای دارد. از سوی دیگر، نحوه پوشش ریسک پویا میان داراییها با توجه به موقعیت نگهداری کوتاهمدت و بلندمدت هر یک از داراییها بهصورت دو به دو، باید مشخص شود. در نهایت، مقایسه بازدهی انباشته سبدهای سرمایهگذاری براساس سه رویکرد حداقل واریانس، حداقل همبستگی و حداقل اتصال میتواند دیدگاه جامعی برای ارزیابی عملکرد این رویکردها ارائه دهد.
طراحی سبد بهینه سرمایهگذاری در مطالعات مختلف با استفاده از روشهای متنوعی انجام شده است. با این حال، ضروری است از روشی بهره گرفته شود که بتواند بهطور دقیق تأثیرگذاری و تأثیرپذیری میان داراییهای مختلف را با در نظر گرفتن سطوح متفاوت ریسک و تغییرات زمانی در دورههای مختلف بررسی کند. مدل خودرگرسیون برداری با رویکرد ضرایب متغیر در زمان (Time – Varying Parameters – Vector Autoregressive (TVP – VAR)) ازجمله روشهایی است که مزایای قابل توجهی نسبت به سایر مدلها دارد. این مدل امکان تغییر ضرایب تخمین را در طول زمان فراهم میکند، بهطوری که پارامترهای مدل میتوانند بهطور انعطافپذیر نسبت به تغییرات زمانی تنظیم شوند.[3] این ویژگی باعث میشود تا پویاییهای زمانی بهخوبی ارزیابی شوند و مشخص شود که آیا ضرایب رگرسیون در دورههای مختلف زمانی ثابت باقی میمانند یا متغیر هستند.[4] با توجه به تغییرات ادواری سبد سرمایهگذاری ناشی از رخدادهای اقتصادی و مالی، استفاده از ضرایب متغیر در زمان به دستیابی نتایج دقیقتر کمک میکند. در این راستا پژوهش حاضر با هدف رفع خلأ مطالعاتی موجود از سه رویکرد حداقل اتصال ((MCoP) Minimum Connectedness Portfolio)، حداقل واریانس ((MVP)Minimum Variance Portfolio) و حداقل همبستگی )(MCP) Minimum Corrolation Portfolio) براساس مطالعه براداستاک و همکاران[5] در سال 2022 و همچنین رویکرد TVP-VAR مبتنی بر مطالعه آنتوناکاکیس و همکاران[6] در سال 2020 استفاده کرده است. دوره زمانی این پژوهش 08/08/1395 تا 10/02/1402 است. با توجه به مزایای این روش میتوان اذعان داشت که رویکرد مورد استفاده در این مطالعه در مقایسه با تکنیکهای مورد استفاده در مطالعات قبلی از توانمندی بیشتری برخوردار است و نتایجی دقیقتر و قابل اتکاتری ارائه میدهد. به علاوه، استفاده از مدل TVP-VAR میتواند به سرمایهگذاران در مدیریت بهینه پورتفوی کمک کند و منجر به ایجاد سبد سهامی کارآمد شود که این امر میتواند به تحول در بازار سرمایه و افزایش کارایی آن منجر شود.
در راستای واکاوی ابعاد مختلف موضوع، مقاله حاضر در شش بخش سازماندهی شده است. در بخش دوم، ادبیات موضوع مطرح شده است. در بخش سوم، پیشینه مطالعات مورد بررسی قرار گرفته است. در بخش چهارم، روش تحقیق و مدلهای برآوردی مورد تجزیه و تحلیل قرار گرفتند. در بخش پنجم، یافتههای ناشی از برآورد مدل بهصورت استاتیک و پویا ارائه شده است. در نهایت، در بخش پایانی، بحث و جمعبندی ارائه میشود.
در بازار سرمایه، عمدهترین مسئلهای که سرمایهگذاران و مدیران مالی با آن مواجه هستند، طراحی سبد سرمایهگذاری بهینه است که در رابطه با نحوه تخصیص سرمایه به داراییهای مختلف و تشکیل یک پرتفوی کارا بحث میکند. الگوها و روشهای مختلفی از زمان ارائه کار اولیه مارکویتز[7] تاکنون برای انتخاب سبد سرمایهگذاری بهینه معرفی شدهاند. از دیدگاه مارکوویتز، تنوعبخشی شامل اوراق با حداقل همبستگی مثبت بهمنظور کاهش ریسک در سبد سهام، بدون از دست دادن بازده سهام است.[8] وی سعی کرد سبد سرمایهگذاری انتخاب کند که در مقدار بازده مورد انتظار کمترین نوسان را نسبت به بازده داشته باشد و آن را مرز کارآ نامید. ترکیب بهینه پرتفوی برای هر سرمایهگذار، نقطهای روی مرز کارآ است که با یکی از منحنیهای بیتفاوتی آن مماس باشد. اگرچه مدل حداقل واریانس مارکوویتز از نظر کاربردی اساسی است، اما به دلیل محدودیتها و نقاط ضعف متعددی که دارد، توسعه آن ضروری به نظر میرسد.[9]
رویکرد حداقل همبستگی، یکی دیگر از روشهای بهینهسازی سبد سهام است که با به حداقل رساندن همبستگی میان داراییها و کاهش ریسک به دنبال بهینهسازی سبد سهام است. این رویکرد وزنهای پرتفوی را با استفاده از ماتریس همبستگی شرطی به جای ماتریس کوواریانس شرطی به دست میآورد.[10] رویکرد حداقل همبستگی یک رویکرد پرکاربرد برای توسعه سبد داراییها است که درواقع وزن پرتفوی در این نمونه با به حداقل رساندن همبستگیهای شرطی تعیین میشود.
جریان سرمایهگذاری در داراییهای مختلف تحت تأثیر شرایط کلان اقتصادی و سیاسی است و سرمایهگذاران با تحلیل این عوامل، اقدام به خرید و فروش سهام میکنند. از عوامل مهمی که میتواند در بهینهسازی سبد سرمایهگذاری تأثیر داشته باشد، اثر سرریز بازده و ریسک یک بازار بر بازار دیگر یا بخشی از بازار بر بخش دیگر بازار است.[11] ارتباط و اثرات سرریز نوسانات میان داراییهای مختلف در طول زمان میتواند بازدهی داراییهای دیگر را تحت تأثیر قرار دهد و سرمایهگذاران این اثرات را در تصمیمات خود مدنظر قرار میدهند. در خصوص داراییهای مختلف، میتوان بیان کرد که بروز نوسان در یک دارایی میتواند از طریق تغییر عرضه و تقاضای سرمایهگذاران سبب تأثیر بر سایر داراییها شود.[12] سرمایهگذاران علاوه بر در نظر گرفتن بازده سرمایهگذاری به اثرات متقابل و نوسانات هر یک از بازارها نیز توجه میکنند و هنگام بروز تغییرات در بازدهی یا نوسانات، رفتار سرمایهگذاری خود را تغییر میدهند.[13] از سوی دیگر، اثرات متقابل نوسانات داراییهای مالی نهتنها سبب انتقال جریان سرمایهگذاری میان حوزههای مختلف میشود، بلکه میتواند بر فضای کلی اقتصاد نیز اثرگذار باشد. سرمایهگذاران میتوانند داراییهایی که کمترین سرریز یا همبستگی منفی دارند را هدف قرار دهند و بر این اساس، تصمیمات خود را در راستای بهینهسازی سبد سرمایهگذاری اصلاح کنند.[14] در این راستا شناخت نادرست ارتباط متقابل بازارها میتواند منجر به اتخاذ سیاستهای سرمایهگذاری و اقتصادی اشتباه شود.[15] بنابراین، ضرورت دارد رویکردهای مختلف مدیریت سبد سرمایهگذاری، ارتباط میان داراییها و تغییرات آنها در طول زمان را در نظر بگیرند. این ضرورت شامل تعیین وزن بهینه استاتیک و پویا هر یک از داراییها بهصورت تکی یا دو به دو با تغییر افق زمانی کوتاهمدت و بلندمدت و همچنین بررسی نحوه پوشش ریسک پویا میان داراییها میشود. در همین راستا برودستاک و همکاران در سال 2020 مدل حداقل اتصالات (MCoP) را برای برآورد سبد بهینه ارائه دادند. این رویکرد با اختصاص وزنهای بالاتر به داراییهایی که تأثیر کمتری بر سایر داراییها دارند، ارتباط میان داراییها را به حداقل میرساند.[16] چنین رویکردی به سرمایهگذاران اجازه میدهد تا پویایی ریسک و بازده متغیر طی زمان را کشف کنند و تأثیر رویدادها و شوکهای اقتصادی را بر استراتژی سبد سهام آشکار کنند.[17] همچنین مدل خودرگرسیون برداری با رویکرد ضرایب متغیر در زمان (TVP-VAR) به دلیل انعطافپذیری بالا و قابلیت تحلیل پویا ابزار مناسبی برای مطالعه این موضوع است. این مدل به سرمایهگذاران امکان میدهد وزنهای بهینه داراییها را با توجه به پویایی زمانی تعیین کنند و از این راه، تصمیمات سرمایهگذاری کارآمدتری اتخاذ کنند. پیشینه پژوهش در ادامه ارائه شده است.
آرغا و همکاران در سال 1398 به «بررسی همبستگی شرطی پویا میان داراییهای مختلف با بازدهی شاخص قیمت سهام در ایران» در دوره زمانی 02/1396 -01/1380 بهصورت ماهانه با استفاده از الگوی ((DCC-FIAPARCH)Dynamic Conditional Correlation Fractionally Integrated Asymmetric Power ARCH) پرداختند. براساس نتایج، ضریب همبستگی پویای شرطی بازده فلزات، تولیدات صنعتی و مس با بازده سهام مثبت و معنادار است؛ بنابراین برای پوشش ریسک بهتر است همزمان در یک سبد خرید و فروش قرار نگیرند.
آشنا و لعل خضری در سال 1399 به «بررسی همبستگی پویای شاخص نااطمینانی سیاست اقتصادی جهانی با نوسانات بازارهای ارز، سهام و سکه در ایران» در دوره 12/1398 - 1/1381 با استفاده از الگوی DCC-GARCH پرداختهاند. نتایج بیان میدارد نوسانات سیاست اقتصادی جهانی اثر معنادار بر نوسانات بازارهای ارز، سهام و سکه دارد. به گونهای که تأثیر مثبت بر نوسانات قیمت سکه و تأثیر مثبت و منفی (بسته به دوره زمانی) بر بازار ارز و سهام داشته است.
محسنی و بتشکن در سال 1399 به «بررسی همبستگی شرطی میان صنایع در بازار سرمایه با استفاده از الگوی گارچ چند متغیره (VECH-BEKK GARCH)» در دوره زمانی 1388-1397 پرداختند. نتایج نشان داد که صنعت بانک با صنعت دارویی، مخابرات و سرمایهگذاری رابطه مثبت و با صنایع عرضه برق و گاز و همچنین وسایل ارتباطی، دارای همبستگی شرطی منفی است.
دادمهر و همکاران در سال 1400 به «بررسی سرایت میان بازارهای پولی و مالی در ایران» در دوره 1386-1396 با دادههای روزانه با استفاده از الگوی FIAPARCH پرداختند. نتایج نشان میدهد رخدادهای سیاسی داخلی تأثیری در بروز شوک بازارهای پولی و مالی نداشته، اما اثر سرایت میان این بازارها تأیید شده است. همچنین وجود رفتار گلهای بین سرمایهگذاران در دورههای تلاطم، تأیید شده است.
مهاجری و طالبلو در سال 1401 با استفاده از مدل TVP-VAR به بررسی ارتباط بین 12 صنعت در بورس اوراق بهادار تهران پرداختهاند. نتیجه مطالعه آنها بیانگر آن است که بیش از 56 درصد از واریانس خطای پیشبینی به تغییرات بینبخشی مربوط است. همچنین، فلزات اساسی و سرمایهگذاری انتقالدهندههای شوک و قند و شکر و سرامیک پذیرندگان شوک در بازه، مورد بررسی بودهاند.
رودری و همکاران در سال 1401 به «بررسی فراوانی-زمان سرریز نوسانات میان نرخ ارز، تورم، قیمت سهام و مسکن در ایران با استفاده از رویکرد خودرگرسیون برداری با پارامترهای متغیر در زمان (Time-Varying Parametrs-Vector Autoregressive)» در مقیاس-زمانهای مختلف پرداختند. نتایج نشان داد که عمده ارتباط میان نوسانات متغیرهای مورد بررسی بهصورت کوتاهمدت بوده است. چنانچه نوسانات کوتاهمدت ارز ادامهدار باشد و منجر به ایجاد نوسانات تورم و قیمت مسکن شود در میانمدت نوسانات تورم و قیمت مسکن زمینه انتقال نوسان به نرخ ارز را ایجاد خواهد کرد و با افزایش نوسانات ارزی، بازار سهام بهشدت متلاطم خواهد شد.
طالبلو و همکاران در سال 1403 به «برآورد ریسک سیستمی و سرریز تلاطمات در صنایع بورسی و کاربرد آن در سبدسازی بهینه با رویکرد TVP-VAR» با استفاده از دادههای روزانه برای 20 صنعت بورسی پرداختند. نتایج نشان داد که اولاً ریسک سیستمی در بازار سهام ایران قابل ملاحظه است و در سه سال گذشته به ارقام بیسابقه 80 درصدی نیز رسیده است. ثانیاً چهار صنعت صادراتی بزرگ (پتروشیمی، فلزات، معادن و پالایشگاه) قویترین اتصالات زوجی را تجربه میکنند و در میان آنها فلزات اساسی در نقش یکی از انتقالدهندگان مهم تلاطمات به کل شبکه سهام ظاهر میشود. ثالثاً سبد سهام مبتنی بر روش حداقل اتصالات در مقایسه با روشهای حداقل واریانس و حداقل همبستگی، عملکرد بهتری را براساس معیارهای بازدهی تجمعی و اثربخشی هج (پوشش) از خود به نمایش میگذارد.
یونوس (Yunus) در سال 2020 به «بررسی ارتباط میان طلا، سهام، اوراق قرضه و مسکن» در آمریکا پرداخت. نتایج بلندمدت نشان میدهد طلا در قبل از بحران مالی (1985-2007) پوشش ریسک مناسبی برای سایر داراییها نبوده است؛ اما در دوره کوتاهمدت و در بحران مالی (2007-2009) طلا حداقل تأثیر را از شوک متغیرهای کلیدی اقتصادی پذیرفته است و نشان میدهد که طلا پناهگاه امن ضعیف (Weak Safe Haven) بوده است.
لیو (Liow) و همکاران در سال 2021 به «بررسی ارتباط نوسانات و وابستگی بازاری میان بازارهای مالی عمده در چین با استفاده از الگوی TVP-VAR» پرداختند. نتایج نشان داد بازارهای مسکن، سهام، اوراق قرضه، ارز و آتی کالایی دارای ارتباط قوی میان نوسانات نیستند. بیشترین میزان انتقال نوسانات مربوط به بازار اوراق قرضه و بیشترین میزان دریافت نوسانات مربوط به آتی کالایی بوده است. همچنین انتقال سرریز نوسانات میان بازارهای مختلف در طی سه بحران مالی مورد مطالعه بیشتر بوده است.
احمد و هو (Ahmed and Huo) در سال 2021 در تحقیقی به «بررسی انتقال نوسان بین بازارهای نفت، کامودیتی و بازارهای سهام با استفاده از مدل VAR-BEKK-GARCH» پرداختند. یافتههای پژوهش آنها نشاندهنده سرریز یکطرفه بازده از بازار نفت به بازار سهام و سرریز یکطرفه بازده از بازار سهام چین و بازار نفت به شاخص کالاها در چین بود. عدم وجود سرریز بازده بین طلا و بازار سهام (نفت) نقش سرمایهگذاری مطمئن در طلا را اثبات کرد؛ همچنین نتایج سرریزی دوطرفه نوسان و شوک بین بازارهای نفت و سهام و سرریزی یکطرفه از بازار سهام و نفت به بازار کالا را نشان داد؛ علاوه بر این هیچ شواهدی از اثرات سرریز از بازارهای کالایی به بازارهای سهام و نفت مشاهده نشد.
تیواری (Tiwari) و همکاران در سال 2021 در مطالعه خود «اتصالات میان اوراق قرضه سبز، قیمت کربن و سهام انرژیهای تجدیدپذیر» را بررسی کردهاند. آنها نشان دادند که رویکرد حداقل اتصالات دارای بالاترین نسبت شارپ است و بهترین عملکرد را در مقایسه با دو رویکرد سنتی دیگر دارد.
کائو (Cao) و همکاران در سال 2022 با استفاده از رویکرد Asymmetric TVP-VAR «سرریز ریسک بین رمز ارزها و بازار مالی چین» را مورد مطالعه قرار دادهاند. نتیجه مطالعه آنها بیانگر آن است که در حالت تقارن اثر رمز ارزها بر بازار چین بیشتر از حالت عکس آن بوده است. همچنین، نوسانات منفی در این مطالعه قویتر از نوسانات مثبت ارزیابی شدهاند.
رحمان (Rehman) و همکاران در سال 2023 «ارتباط بین بازار آتی آلومینیوم، طلا، مس و روی» را در بازه 2011 تا 2021 و با مدل TVP-QVAR بررسی کردهاند. نتیجه مطالعه آنها بیانگر آن است که طلا مهمترین انتقالدهنده و مس و روی مهمترین پذیرنده ریسک بودهاند.
آلشاتر (Alshater) و همکاران در سال 2023 ارتباط بین صنایع IT در جهان از 15 ژانویه 2016 تا 24 ژوئن 2022 را با استفاده از مدل W-TVP-VAR (Wavelet-Time Varying Parametr-VAR) مورد مطالعه قرار دادهاند. بنابر نتایج بهدستآمده از این مطالعه، نوسانات به آهستگی در بین بازارها منتقل میشود و تا بیست روز دوام دارد. همچنین، نتایج مؤید وجود عدم تقارن در بازدهیهای مثبت و منفی است.
وی (Wei) و همکاران در سال 2023 در مقاله خود «اتصال پویا را در بین نفت خام، سهمیه انتشار کربن و بازارهای کالاهای کشاورزی» مورد مطالعه قرار دادند و برای سبدسازی از تکنیک حداقل اتصالات استفاده کردند.
با بررسی پیشینه مطالعاتی مشخص شد که اگرچه روشهای مختلفی برای طراحی سبد بهینه سرمایهگذاری ارائه شده است، اما بسیاری از آنها از تحلیل پویای تغییرات و همچنین پوشش ریسک پویا میان داراییها در طی زمان غفلت کردهاند. بر این اساس، سؤالات پژوهش به شرح زیر مطرح میشوند:
1. ارتباط میان بازدهی داراییها در طول زمان چگونه تغییر میکند؟
2. در کدام سالها امکان متنوعتر کردن سبد سرمایهگذاری وجود داشته است؟
3. وزن بهینه استاتیک و پویا هر یک از داراییها در سه رویکرد حداقل واریانس، حداقل همبستگی و حداقل اتصالات چگونه است؟
4. پوشش ریسک پویا میان داراییها با توجه به موقعیت نگهداری کوتاهمدت و بلندمدت چگونه است؟
5. بازدهی انباشته سبدهای سرمایهگذاری در سه رویکرد مذکور چه تفاوتهایی دارد؟
این سؤالات تلاش میکنند تا به خلأهای موجود پاسخ داده و با بهرهگیری از مدل TVP-VAR، تحلیل دقیقتری از ساختار و پویاییهای سبد سرمایهگذاری ارائه دهند.
در پژوهش حاضر از رویکرد خودرگرسیون برداری با پارامترهای متغیر در زمان در سه حالت حداقل واریانس (MVP)، حداقل همبستگی (MCP) و حداقل اتصال (MCoP) برای تدوین و طراحی سبد سرمایهگذاری پویا استفاده شده است. بر این اساس در پژوهش حاضر، ده شرکت حاضر در بورس (شتران (shetran)، دماوند (damavand)، فخوز (fakhoz)، فاراک (farak)، حفاری (hafari)، همراه (hamrah)، سمگا (semega)، ثشاهد (seshahed)، تکشا (taksha)، تاپیکو (tapico)) بهعنوان یک سبد سرمایهگذاری فرضی در دوره زمانی 08/08/1395-10/02/1402 با تواتر روزانه به کار گرفته شدهاند. لازم به ذکر است آمار و اطلاعات مربوط به شرکتهای مورد بررسی از سامانه اطلاعات مالی ایران (Fipiran) جمعآوری شده است. دلیل انتخاب بازه زمانی در نظر گرفته شده نیز وجود اتفاقات اقتصادی (تغییر زیاد در متغیرهای کلان اقتصادی)، سیاسی (برجام و تشدید تحریم) و همچنین بروز پاندمی کووید-19 است. روش پژوهش حاضر کاربردی – توصیفی است.
در ابتدا مدل TVP-VAR تخمین زده خواهد شد که با استفاده از آن، ماتریسهای واریانس – کواریانس متغیر طی زمان به روش آنتوناکسیس و همکاران در سال 2020 به دست میآید. در مرحله دوم، تجزیه و تحلیل واریانس مشابه دیبولد و ییلماز[18] به کار گرفته میشود که امکان بررسی دقیق اتصالات و سرریزها را فراهم میکند. در مرحله سوم، سه روش شامل سبد دارایی حداقل واریانس (MVP)، سبد دارایی حداقل همبستگی (MCP) و سبد دارایی حداقل اتصالات (MCoP) برای تشکیل سبد بهینه سهام به کار گرفته میشود.[19]
برای سادگی، ما این را در قالب یک VAR مرتبه اول ارائه میکنیم؛ بنابراین مدل TVP-VAR را میتوان بهصورت زیر نوشت:
پارامترهای متغیر با زمان و واریانسهای خطای متغیر با زمان، اجزای اساسی برای توابع پاسخ ضربه تعمیمیافته (GIRF) و تجزیه واریانس خطای پیشبینی تعمیمیافته (GFEVD) هستند که توسط کوپ و همکاران[20] و پسران و شین[21] توسعه یافتهاند که رویکرد ارتباطی دیابولد و ییلماز در سالهای 2012 و 2014 بر آن استوار است. برای به دست آوردن GIRF و GFEVD، ابتدا باید TVP-VAR را با اعمال قضیه نمایش Wold به نمایش TVP-VMA تبدیل کنیم که بیان میکند GIRFs i j,t (K) که در آن K افق پیشبینی است که ساختار/ ترتیب خطاها را فرض نمیکنند یا به آن وابسته نیستند و بنابراین رویکرد قویتری برای تفسیر مدلهای VAR نسبت به IRF های استاندارد، که به ترتیب متغیرهای واردشده به سیستم اقتصادسنجی حساس هستند، ارائه میکنند.
رویکرد GIRF تفاوت پویایی بین همه متغیرهای j را نشان میدهد. از نظر ریاضی، این میتواند بهصورت معادله 4 بیان شود:
متعاقباً GFEVD ψij,t (K) سهم منحصر به فرد هر یک از متغیرها را در واریانس خطای پیشبینی متغیر i نشان میدهد که به این صورت تفسیر میشود که چقدر بر حسب درصد، یک متغیر بر واریانس خطای پیشبینی متغیر دیگر تأثیر میگذارد. این را میتوان بهصورت معادله 6 بیان کرد:
با این معیارها برای GIRF و GFEVD که در دسترس است، میتوان بیان کرد که چه مقدار متغیر i تحت تأثیر سایرین است و چه مقدار متغیر i بر دیگران تأثیر میگذارد. برای این منظور از سه معیار زیر استفاده میشود:
ابتدا، بایستی مشخص شود که سایر متغیرها در سیستم چقدر بر متغیر i تأثیر میگذارند. این موضوع با جمع کردن سهمهای واریانس خطا برای متغیر i نسبت به متغیر j به دست میآید. بر این اساس اثرپذیری از سایرین (From Others) به دست میآید و بهصورت معادله 7 محاسبه میشود:
دوم، تأثیر متغیر i بر سایرین در سیستم محاسبه میشود. این اندازهگیری، اثرگذاری بر سایرین (To Others) نامیده میشود که با جمع کردن اثرات (واریانس خطا) که متغیر i بر واریانس خطای پیشبینی متغیرهای دیگر دارد، محاسبه میشود:
در آخر از دو معیار بالا برای به دست آوردن آنچه بهعنوان خالص اثرگذاری یا اثرپذیری شناخته میشود، استفاده میشود. این اندازهگیری توضیح میدهد که آیا تأثیر متغیر i بر دیگران بیشتر از تأثیر دیگران بر متغیر i است یا خیر و بهسادگی بهعنوان تفاوت بین معادلات 7 و 8 به دست میآید:
مقدار مثبت (منفی) نشان میدهد که متغیر i بیشتر (کمتر) سایرین را تحت تأثیر قرار داده است یا از دیگران تأثیر میپذیرد.
شایان ذکر است که اگر متغیری «انتقالدهنده خالص» شناخته شود به این معنی نیست که بر هر یک از متغیرهای فردی دیگر در شبکه تسلط دارد، بلکه به این معنی است که بهطور متوسط بر سایرین تسلط دارد. علاوه بر سه معیار بالا معیارهای اندازهگیری دو به دو نیز وجود دارد که نشان میدهد دو متغیر i و j نحوه ارتباط میان آنها چگونه است. بر این اساس معیار اتصال جهتی جفتی خالص ((NPDC) (Net Pairwise Dynamic Connectednessرا به دست آوریم که به شرح زیر تعریف میشود:
شاخص اتصال کل ((TCI) Total Connectedness Index) که براساس شبیهسازیهای مؤنت کارلو ارائه شده است در مطالعه چانتازنیو و همکاران[22] محاسبه میشود. میتوان نشان داد که سهام واریانس خود از نظر ساخت همیشه بزرگتر یا برابر با همه سهمهای واریانس متقاطع هستند. از آنجایی که میتوان میانگین مقدار حرکت مشترک شبکه را بر حسب درصد بیان کرد که باید بین [0,1] باشد، باید TCI کمی تنظیم شود:
در نهایت، تعریف TCI را میتوان برای به دست آوردن امتیازهای شاخص اتصال جزئی زوجی )(PCI) (Partial Connectedness Indexبین متغیرهای i و j بهصورت زیر تغییر داد:
یکی از متداولترین رویکردهای مورد استفاده در ساخت پرتفوی، روش حداقل واریانس پرتفو (MVP) است که در آن پرتفوی با کمترین نوسان براساس داراییهای متعدد انتخاب میشود. وزن این سبد را میتوان با معادله 13 محاسبه کرد:
که در آن یک بردار وزن سبد m×1 بعدی است، I یک بردار m بعدی از یکها و Ht ماتریس واریانس کوواریانس شرطی بعد m×m در دوره t است.
یکی دیگر از رویکردهای اخیراً توسعهیافته برای ساخت پورتفولیو رویکرد حداقل همبستگی میباشد. در این رویکرد، وزن هر یک از داراییها را با استفاده از ماتریس همبستگی شرطی به جای ماتریس کوواریانس شرطی به دست میآورد. قبل از ساختن پرتفولیو با استفاده از این رویکرد، باید در ابتدا همبستگیهای شرطی توصیف شود. رابطه برآورد همبستگی شرطی بهصورت معادله 14 است:
که در آن Rt یک ماتریس ابعادی m×m است. وزنهای پورتفولیوی با حداقل همبستگی (MCP) توسط معادله 15 تعیین میشود:
براساس دو رویکرد که قبلاً ذکر شد، در رویکرد (MCoP) تمرکز بر شاخص اتصال زوجی میان داراییها است. این رویکرد به دنبال ساختن پرتفولیو با حداقل ارتباط متقابل بین متغیرها و در نتیجه سرریزهای آنها است و نسبت به شوکهای اجزای شبکه مورد بررسی مقاومتر است؛ بنابراین به داراییهایی که بر دیگران تأثیر نمیگذارند و تحت تأثیر دیگران نیستند، وزن بیشتری در پرتفوی میدهد. نحوه محاسبه وزن دارایی در این رویکرد در معادله 16 ارائه شده است:
که در آن PCIt ماتریس شاخص اتصال زوجی است.
در نهایت، برای نشان دادن عملکرد پورتفولیو از نسبت شارپ و امتیاز اثربخشی استفاده میشود. نسبت شارپ، همچنین بهعنوان نسبت پاداش به ریسک شناخته میشود، میتواند بهصورت ذیل نوشته شود:
که در آن rp نشاندهنده بازده پرتفوی است. مقادیر بالاتر SR نشاندهنده سطح بالاتری از بازده نسبت به سطح ریسک در پرتفوی است. براساس ادرینگتون[23] اثربخشی پوشش ریسک توسط معادله 18 اندازهگیری میشود:
Var(yp) واریانس بازده پورتفولیو و Var (y unhedged) واریانس دارایی پوششنشده را نشان میدهد. هرچه HE بالاتر باشد، کاهش ریسک بزرگتر است و بالعکس.
در پژوهش حاضر، 10 شرکت حاضر در بورس در دوره زمانی 08/08/1395-10/02/1402 با تواتر روزانه به کار گرفته شدهاند. برای انتخاب سبد سرمایهگذاری بهینه، بازدهی انباشته پورتفو تحت رویکردهای مختلف حداقل واریانس (MVP)، حداقل همبستگی (MCP) و حداقل اتصال (MCoP) مورد مقایسه قرار گرفتهاند.
نمودار (1) انتخاب رویکرد مناسب جهت بهینهسازی پویای سبد سرمایهگذاری را نشان میدهد.
نمودار (1): انتخاب رویکرد مناسب برای بهینهسازی پویای سبد سرمایهگذاری
منبع: یافتههای پژوهش
همانگونه که در نمودار (1) ملاحظه میشود، بازدهی انباشته پورتفو در حالت حداقل واریانس بیشتر است و به همین دلیل در ادامه وزن بهینه داراییها در دو حالت استاتیک و پویا براساس رویکرد حداقل واریانس ارائه شده است. جدول (1) وزن بهینه استاتیک براساس پورتفوی با حداقل واریانس را نشان میدهد.
جدول (1): وزن بهینه استاتیک براساس پورتفوی با حداقل واریانس
|
|
میانگین |
انحراف معیار |
بازار خرسی (صدک پنجم) |
بازار گاوی (صدک نود و پنجم) |
کارایی پوشش ریسک |
سطح احتمال |
|
Shetran |
0.03 |
0.03 |
0.00 |
0.08 |
0.89 |
0.00 |
|
damavand |
0.19 |
0.06 |
0.05 |
0.30 |
0.78 |
0.00 |
|
Fakhoz |
0.08 |
0.06 |
0.00 |
0.20 |
0.88 |
0.00 |
|
Farak |
0.04 |
0.04 |
0.00 |
0.10 |
0.82 |
0.00 |
|
Hafari |
0.06 |
0.03 |
0.00 |
0.12 |
0.82 |
0.00 |
|
Hamrah |
0.12 |
0.10 |
0.01 |
0.34 |
0.88 |
0.00 |
|
Semega |
0.03 |
0.04 |
0.00 |
0.12 |
0.87 |
0.00 |
|
seshahed |
0.15 |
0.08 |
0.00 |
0.26 |
0.74 |
0.00 |
|
Taksha |
0.11 |
0.06 |
0.02 |
0.21 |
0.84 |
0.00 |
|
Tapico |
0.18 |
0.10 |
0.05 |
0.36 |
0.68 |
0.00 |
منبع:
یافتههای پژوهش
براساس جدول (1) در شرایط عادی بازار سهام (حالت میانگین) به ترتیب بیشترین وزن در پورتفوی مربوط به دماوند (19 درصد)، تاپیکو (18 درصد) و ثشاهد (15 درصد) است؛ همچنین در حالت بازار سهام نزولی (بازار خرسی) بیشترین وزن مربوط به شرکتهای تاپیکو (5 درصد)، دماوند (5 درصد) و تکشا (2 درصد) و در حالت بازار سهام صعودی (بازار گاوی) وزن شرکتهای تاپیکو (36 درصد)، همراه (34 درصد) و دماوند (30 درصد) است. لازم به ذکر است بیشترین پوشش ریسک در سبد سرمایهگذاری توسط شرکتهای شتران، فخوز و همراه رخ میدهد. نمودار(2)، وزن بهینه پویا براساس پورتفوی با حداقل واریانس را نشان میدهد.
نمودار (2): وزن بهینه پویا براساس پورتفوی با حداقل واریانس
منبع: یافتههای پژوهش
براساس نمودار (2)، وزن بهینه شرکت شتران مربوط به سالهای 2018 (1397)، اواسط سال 2020 (1399) و همچنین اواخر 2021 (1400) بوده است و پس از آن نشان میدهد که سهم و وزن بهینه شرکت شتران نزولی بوده است. در خصوص شرکت فاراک بیشترین وزن و سهم از سبد سرمایهگذاری مربوط به سال 2017 (1396) بوده است و پس از آن همواره بین 0 و 10 درصد در نوسان بوده است. در خصوص شرکت سمگا در سالهای 2017 (1396) تا 2019 (1398) وزن روند افزایشی داشته است و به 12 درصد در سال اواخر 2018 (1397) رسیده است اما پس از آن تا سال 2021 (1400) روند نزولی داشته است. شرکت تاپیکو نیز دارای وزن و اهمیت قابل توجهی در سبد سرمایهگذاری بوده است و در بهترین حالت بیش از 40 درصد سبد سرمایهگذاری را در سال 2017 (1396) به خود اختصاص داده است و بعد از آن سهم این شرکت تا اواسط 2021 (1400) نزولی و سپس صعودی بوده است. نمودار (3)، وزن بهینه پویا در حالت دو به دو را نشان میدهد.
نمودار (3): وزن بهینه پویا در حالت دو به دو
منبع: یافتههای پژوهش
براساس نمودار (3)، سبد متشکل از شرکتهای تکشا و فخوز تا سال 2021 (1400) سبد مناسبی برای پوشش ریسک بوده است و در این دوره بهطور میانگین حدود 70 درصد از کل میزان سرمایهگذاری قابلیت تخصیص به آنها را داشته است، اما پس از سال 2021 وزن بهینه این دو دارایی به کمتر از 40 درصد کاهش یافته است و نشان میدهد در این دوره پوشش ریسک مناسبی برای یکدیگر نداشتهاند. نمودار (4)، بازدهی دو به دو پویا را نشان میدهد.
نمودار (4): بازدهی دو به دو پویا
منبع: یافتههای پژوهش
براساس نمودار (4)، همانگونه که ملاحظه میشود بیشترین بازدهی میان تمامی جفت شرکتها در سال 1399 اتفاق افتاده است و برخی جفت شرکتها در ماههای اخیر (بعد از سال 1402) روند صعودی در ایجاد بازدهی دو به دو داشتهاند و در این میان بهطور مثال بازدهی ناشی از نگهداری همزمان تاپیکو و حفاری، تاپیکو و فخوز به بالاترین بازدهی تاریخی آنها نزدیک شده است، اما نگهداری همزمان تکشا و ثشاهد، سمگا و همراه فاصله معناداری با بازدهی انباشته خود دارند. نمودار (5) پوشش ریسک دو به دو پویا را نشان میدهد.
نمودار (5): پوشش ریسک دو به دو پویا
منبع: یافتههای پژوهش
براساس نمودار (5) با نگهداری همزمان شرکتهای همراه و سمگا پوشش ریسک مناسب ایجاد نخواهد شد. نگهداری همزمان شرکتهای سمگا و دماوند در سال 1399 و همچنین بعد از 1400 پوشش ریسک مناسبی را برای یکدیگر ایجاد کردهاند. نکته جالب توجه اینکه شرکت ثشاهد از سال 1402 دارای پوشش ریسک مناسبی با سایر شرکتها بوده است و در نقطه مقابل شرکت تاپیکو با سایر شرکتهای مورد بررسی در سبد سرمایهگذاری فرضی نتوانسته است پوشش ریسک مناسبی را ایجاد کند.
در طراحی سبد بهینه سرمایهگذاری به انتخاب ترکیبی بهینه از داراییها پرداخته میشود که میتوان در کنار حداکثر سازی نرخ بازده مورد انتظار، ریسک نرخ بازده را بهطور همزمان حداقل کرد. داراییها و بازارهای مالی دارای اثر سرریز بر یکدیگر هستند که عدم اطلاع کافی از وزن بهینه سرمایهگذاری و همچنین نحوه پوشش ریسک داراییها با یکدیگر میتواند منجر به زیان سرمایهگذار شود. بررسی نحوه انتقال سرریز ریسک میان داراییهای مختلف بهمنزله ابزار اقتصادی کارامد همواره مدنظر فعالان بازار سرمایه بوده است. در این مقاله با استفاده از الگوی خودرگرسیون برداری متغیر در زمان به طراحی سبد بهینه پویای سرمایهگذاری با حداقل ریسک پرداخته شده است. لازم به ذکر است که با بهرهگیری از رویکرد جدید خودرگرسیون برداری با پارامترهای متغیر در زمان در قالب رویکردهای مختلف حداقل واریانس، حداقل همبستگی و همچنین حداقل اتصال میتوان بهصورت دقیقتر و همچنین نزدیکتر به واقعیت نسبت به تدوین سبد سرمایهگذاری بهینه اقدام کرد که این مهم ناشی از در نظر گرفتن موارد مختلف (حداقل واریانس، حداقل همبستگی و همچنین حداقل اتصال) و همچنین متغیر بودن در طی زمان است که این موارد در رویکردهای سنتی تدوین سبد سرمایهگذاری (رویکرد مارکویتز) در نظر گرفته نمیشود. همچنین لازم به ذکر است که امکان ارزیابی پوشش ریسک داراییها با استفاده از الگوی مورد استفاده در پژوهش حاضر میسر میباشد که این مهم نیز در الگوهای سنتی قابل بررسی نیست. بر این اساس در پژوهش حاضر، 10 شرکت حاضر در بورس (بهمنزله یک سبد سرمایهگذاری فرضی) در دوره زمانی 08/08/1395-10/02/1402 با تواتر روزانه به کار گرفته شدهاند.
یافتهها حاکی از آن است که بازدهی انباشته پورتفوی در حالت حداقل واریانس بیشتر است؛ بنابراین وزن بهینه داراییها در دو حالت استاتیک و پویا براساس رویکرد حداقل واریانس بررسی شده است. بیشترین وزن بهینه استاتیک در پرتفوی مربوطه با حداقل واریانس در شرایط عادی بازار سهام؛ به دماوند (19 درصد)، تاپیکو (18 درصد) و ثشاهد (15 درصد) و در حالت بازار سهام نزولی به تاپیکو (5 درصد)، دماوند (5 درصد) و تکشا (2 درصد) و در حالت بازار سهام صعودی وزن شرکتهای تاپیکو (36 درصد)، همراه (34 درصد) و دماوند (30 درصد) اختصاص دارد. بیشترین پوشش ریسک در سبد سرمایهگذاری توسط شرکتهای شتران، فخوز و همراه رخ میدهد.
وزن و سهم بهینه از سبد سرمایهگذاری شرکت شتران مربوط به سالهای 1397، اواسط سال 1399 و همچنین اواخر 1400 بوده است و پس از آن نزولی بوده است. در خصوص فاراک بیشترین وزن و سهم از سبد سرمایهگذاری مربوط به سال 1396 بوده است و پس از آن همواره بین 0 و 10 درصد در نوسان بوده است. در خصوص شرکت سمگا در سالهای 1396 تا 1398 وزن بهینه روند افزایشی داشته است و به 12 درصد در سال اواخر 1397 رسیده است، اما پس از آن تا سال 1400 روند نزولی داشته است که میتواند ناشی از تشدید تحریم و همچنین شیوع کووید-19 باشد، زیرا عمده فعالیت شرکت سمگا سرمایهگذاری در حوزه گردشگری و هتلداری است که تحت تأثیر تحریم و کاهش گردشگران خارجی و همچنین شیوع کووید-19 بوده است. شرکت تاپیکو نیز دارای وزن و اهمیت قابل توجهی در سبد سرمایهگذاری بوده است و در بهترین حالت بیش از 40 درصد سبد سرمایهگذاری را در سال 1396 به خود اختصاص داده است و بعد از آن سهم این شرکت تا اواسط 1400 نزولی و سپس صعودی بوده است که میتواند ناشی از جنگ روسیه و اوکراین و افزایش قیمت نفت در سال 1401 باشد.
وزن بهینه پویا در حالت دو به دو نشان میدهد که سبد متشکل از شرکتهای تکشا و فخوز تا سال 1400 سبد مناسبی جهت پوشش ریسک بوده است و در این دوره بهطور میانگین حدود 70 درصد از کل میزان سرمایهگذاری قابلیت تخصیص به آنها را داشته است، اما پس از سال 1400 پوشش ریسک مناسبی برای یکدیگر نداشتهاند. نتایج نشان میدهد بیشترین بازدهی میان تمامی جفت شرکتها در سال 1399 اتفاق افتاده است؛ همچنین نگهداری همزمان شرکتهای سمگا و دماوند در سال 1399 و همچنین بعد از 1400 پوشش ریسک مناسبی را برای یکدیگر ایجاد کردهاند. نکته جالب توجه اینکه شرکت ثشاهد از سال 1402 دارای پوشش ریسک مناسبی با سایر شرکتها بوده است و در نقطه مقابل شرکت تاپیکو با سایر شرکتهای مورد بررسی در سبد سرمایهگذاری فرضی نتوانسته است پوشش ریسک مناسبی را ایجاد کند.
نتایج پژوهش نشان میدهد که رفتار متقابل شرکتها در خصوص ایجاد بازدهی و همچنین پوشش ریسک در طی زمان متغیر است و با توجه به شرایط اقتصادی، سیاسی و همچنین عملکرد شرکتها نحوه تعامل میان آنها متفاوت است که این مهم در سایر مطالعات مدنظر نبوده است. رویکرد مورد استفاده در پژوهش حاضر میتواند انطباق بالاتری با شرایط واقعی داشته باشد و دلالتهای روشنی برای سرمایهگذاران و سیاستگذاران دارد. روش پژوهش و یافتهها با نتایج مقاله طالبلو و همکاران[24] مطابق است با این تفاوت که در این پژوهش از روش حداقل واریانس برای بهینهسازی ریسک از طریق کاهش نوسانات سبد استفاده شده است، اما آنها با استفاده از حداقل اتصالات به دنبال طراحی سبدهایی هستند که در برابر تلاطمات و شوکهای سیستمی مقاومتر باشند. همچنین روش پژوهش حاضر با روش پژوهش مهاجری و طالبلو[25] مشابه است. این پژوهش بر حداقل واریانس و بهینهسازی سبد سرمایهگذاری متمرکز است، در حالی که مهاجری و طالبلو[26] به تحلیل انتقال شوکها و ارتباطات میان صنایع پرداختهاند؛ علاوه بر این در پژوهش حاضر به تحلیل سبدهای سرمایهگذاری با تمرکز بر کاهش ریسک و نوسانات پرداخته شده است، در حالی که آنها به بررسی نقش صنایع خاص در انتقال و پذیرش شوکهای اقتصادی پرداختهاند. روش پژوهش با مقاله رودری و همکاران[27] مطابق است با این تفاوت که آنها به تحلیل نوسانات بین متغیرهای کلیدی اقتصادی (نرخ ارز، تورم، قیمت مسکن و بازار سهام) در مقیاسهای زمانی مختلف پرداختهاند. لیو و همکاران[28] نیز از روش TVP-VAR برای تحلیل نوسانات و سرریز آنها در طول زمان استفاده کردهاند. اما مطالعه آنها بر بازارهای مالی عمده در چین و انتقال نوسانات در شرایط بحرانهای مالی متمرکز است. در نهایت، طراحی سبد سرمایهگذاری بهینه نیازمند تحلیل دقیق و شناخت است.
پیشنهادات پژوهش حاضر در سه دسته کلی ارائه میشود. در بعد سیاستگذاری، پیشنهاد میشود، سیاستگذاران بازار سرمایه با تدوین مقررات شفاف و ارتقا زیرساختهای تحلیل بازار، امکان بهرهگیری از مدلهای پیشرفته همچون TVP-VAR را برای سرمایهگذاران و شرکتهای سرمایهگذاری فراهم کنند. همچنین تنظیم سیاستهای حمایتی برای کاهش تأثیر شوکهای اقتصادی و سیاسی بر صنایع خاص با هدف کنترل نوسانات بازار و تقویت اطمینان سرمایهگذاران ضروری به نظر میرسد. در نهایت، پیشنهاد میشود چهارچوبهای نظارتی پویا برای جلوگیری از سرایت ریسک بین بخشها در شرایط بحرانهای مالی طراحی شود. در بعد کاربردی و عملیاتی، یافتههای پژوهش نشان میدهد که شرکتهای سرمایهگذاری و مدیران پورتفوی باید با بهرهگیری از مدلهای پیشرفته همچون حداقل واریانس، حداقل همبستگی و حداقل اتصال، وزنهای بهینه سبد داراییها را بهصورت پویا تنظیم کنند تا ریسک کاهش یابد. سرمایهگذاران نیز باید داراییهایی را انتخاب کنند که کمترین اثر سرریز و نوسانات مشترک را داشته باشند. علاوه بر این، آموزش سرمایهگذاران در استفاده از مدلهای تحلیل پیشرفته و طراحی پورتفوی پویا با هدف کاهش ریسک و افزایش بازده سرمایهگذاری از اهمیت بالایی برخوردار است. همچنین شرکتهای بورسی میتوانند با شفافسازی گزارشهای مالی و ارائه ارزیابی دقیق از عملکرد خود، اعتماد بیشتری در میان سرمایهگذاران ایجاد کنند. در بعد پژوهشهای آتی، پیشنهاد میشود تحقیقات بیشتری برای بررسی تأثیر متغیرهای کلان اقتصادی مانند نرخ بهره و نرخ ارز بر بهینهسازی پورتفوی سرمایهگذاری انجام شود. همچنین استفاده از رویکردهای پیشرفته مانند یادگیری ماشین یا هوش مصنوعی برای تحلیل و پیشبینی نوسانات بازار میتواند افق جدیدی در این حوزه باز کند. بررسی تأثیرات بلندمدت و کوتاهمدت بحرانهای مالی بر رفتار سرمایهگذاران و نحوه طراحی سبد سرمایهگذاری از دیگر زمینههای پژوهشی پیشنهادی است. در نهایت، گسترش پژوهش به بازارهای مالی بینالمللی و مقایسه آنها با بازار بورس ایران بهویژه در شرایط بحرانهای اقتصادی و سیاسی، میتواند درک عمیقتری از نحوه مدیریت سبدهای سرمایهگذاری در محیطهای مختلف ایجاد کند.
[1]. زهرا پوراحمدی و امیرعباس نجفی، «بهینهسازی پویای سبد سرمایهگذاری با توجه به هزینه معاملات»، مجله مهندسی مالی و مدیریت اوراق بهادار 6، شماره 24 (1394): 152-172.
[2]. علی حسینی ابراهیمآباد و دیگران، «بررسی سرریزهای تکانه و تلاطم میان شاخصهای منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric Bekk – Garch»، مجله مطالعات اقتصادی کاربردی ایران 8، شماره 29 (1398): 123- 155.
[3]. عزیز آرمن، ابراهیم انواری، و سامره راکی کیانپور، «مدلسازی شاخص پویای شرایط مالی و بررسی اثرگذاری آن بر قابلیت پیشبینی بازده سهام ایران»، مجله مدیریت دارایی و تأمین مالی 10، شماره 1 (1401): 47-72.
[4]. Abhinav Gupta, Sucheta Nadtarni, and Misha Mariam, “Dispositional Sources of managerial discreation CEO ideology, CEO personality and firm strategies,” Administrative Science Quarterly 64, no. 4 (2019): 855-893.
[5]. David C. Broadstock, Chatziantoniou Ioannis, and Gabauer David, “Minimum connectedness portfolios and the market for green bonds: Advocating socially responsible investment (SRI) activity,” SSRN Electronic (2020).
[6]. Nikolaos Antonakakis, Ioannis Chatziantoniou, and David Gabauer, “Refined measures of dynamic connectedness based on time-varying parameter vector autoregressions,” Risk and Financial Management 13, no. 4 (2020): 84.
[7]. Harry M. Markowitz, Portfolio Selection: Efficient Diversification of Investments (New York: John Wiley & Sons, 1959).
[8]. Hatemi-J Abdulnasser, Roca Eduardo, and Mustafa Alan, “Portfolio diversification impact of oil and asymmetric interaction between oil, equity and bonds in the global market: fresh evidence from alternative approaches,” Economic Studies 50, no. 4 (2023): 790-805.
[9]. رضا طالبلو و دیگران، «برآورد ریسک سیستمی و سرریز تلاطمات در صنایع بورسی و کاربرد آن در سبد سازی بهینه: رویکرد TVP-VAR»، مجله پژوهشهای اقتصادی ایران (1403).
[10]. Peter Christoffersen et al., “Correlation dynamics and international diversification benefits,” Forecasting, no. 30 (2014): 807-824.
[11]. سپیده کرمی و محمدعلی رستگار، «تخمین اثر سرریز بازده و نوسانات صنایع مختلف بر روی یکدیگر در بازار بورس تهران»، مجله مهندسی مالی و مدیریت اوراق بهادار 9، شماره 35 (1397): 323-342.
[12]. M. Arouri, J. Jouini, and DK Nguyen, “Volatility spillovers between oil prices and stock sector returns: Implications for portfolio management,” Journal of International Money and Finance, no. 30 (2011): 1387-1405.
[13]. امیرمهدی هاشمی و دیگران، «رابطه سرریز شبکهای بازدهی بازارهای سرمایهگذاری با رویکرد دیبولد و یلماز»، مجله مهندسی مالی و مدیریت اوراق بهادار 11، شماره 44 (1399): 446 – 478.
[14]. Konstantinos Gkillas, Dimitrios I. Vortelinos, and Tahir Suleman, “Asymmetries in the African financial markets,” Multinational Financial Management, no. 45 (2018): 72-87.
[15]. G. Andrew Karolyi, “A multivariate GARCH model of international transmissions of stock returns and volatility, The case of the United States and Canada,” Business & Economic Statistics, no. 13 (1995): 11-25.
[16]. Lan Bai et al., “Diversification effects of China's carbon neutral bond on renewable energy stock markets: A minimum connectedness portfolio approach,” Energy Economics, no. 123 (2023).
[17]. Aviral Kumar Tiwari et al., “Green bond, renewable energy stocks and carbon price: Dynamic connectedness, hedging and investment strategies during COVID-19 pandemic,” Hedging and Investment Strategies during COVID-19 pandemic (August 1, 2021); Mohammad Abdullah, Mohammad Ashraful Ferdous Chowdhury, and Zunaidah Sulong, “Asymmetric efficiency and connectedness among green stocks, halal tourism stocks, cryptocurrencies, and commodities: Portfolio hedging implications,” Resources Policy 81 (2023): 103419.
[18]. Francis X. Diebold and Kamil Yilmaz, “Better to give than to receive: Predictive directional measurement of volatility spillovers,” Forecasting 28, no. 1 (2012): 57-66; Francis X. Diebold and Kamil Yilmaz, “On the network topology of variance decompositions: Measuring the connectedness of financial firms,” Econometrics 182, no. 1 (2014): 119-134.
[19]. Broadstock, Ioannis, and David, “Minimum connectedness portfolios.”
[20]. Gary Koop, M. Hashem Pesaran, and Simon M. Potter, “Impulse response analysis in nonlinear multivariate models,” Econometrics 74, no. 1 (1996): 119-147.
[21]. H. Hashem Pesaran and Yongcheol Shin, “Generalized impulse response analysis in linear multivariate models,” Economics letters 58, no. 1 (1998): 17-29.
[22]. Ioannis Chatziantoniou, David Gabauer, and Rangan Gupta. “Integration and risk transmission in the market for crude oil: New evidence from a time-varying parameter frequency connectedness approach,” Resources Policy 84 (2023): 103729.
[23]. Louis H. Ederington, “The hedging performance of the new futures markets,” Finance 34, no. 1 (1979): 157-170.
[24]. طالبلو و همکاران، «برآورد ریسک سیستمی و سرریز تلاطمات».
[25]. مهاجری و طالبلو، «بررسی پویاییهای سرریز تلاطمات».
[26]. مهاجری و طالبلو، «بررسی پویاییهای سرریز تلاطمات».
[27]. رودری و همکاران، «بررسی فراوانی زمان سرریز نوسانات میان نرخ ارز، تورم، قیمت سهام و قیمت مسکن»، اقتصاد و الگوسازی 13، شماره 2 (1401): 65 -93.
[28]. Kim Hiang Liow, Jeongseop Song, and Xiaoxia Zhou, “Volatility connectedness and market dependence across major financial markets in China economy,” Quantitative Finance and Economics 5, no. 3 (2021): 397-420.
