Proposing a portfolio optimization model based on the GARCH-EVT-Copula combined approach
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 60
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJNAA-14-6_015
تاریخ نمایه سازی: 18 شهریور 1402
چکیده مقاله:
This study aims at optimizing the portfolio of financial assets and in particular focuses on the stock market with conditional value at risk (CVaR) as the portfolio risk measure. This study uses generalized conditional heterogeneity variance methods, the dependency structure, the extreme value theory, and with the GARCH-EVT-Vine-Copula approach to optimize the portfolio and minimize the CVaR of a stock portfolio during a certain period by the re-weighting method. Modeling is based on the performance data of ۷ companies among the top ۵۰ listed companies during the period ۲۰۱۵ to ۲۰۲۱. The results show that considering the extreme values and structural dependence between the examined time series improves the risk identification between these markets. In addition, among the studied models, the out-of-sample results for the accumulated wealth function of different models show that when considering the dependence structure, the EGARCH-EVT model based on the Coppola Vine function results outperforms other models.
کلیدواژه ها:
Portfolio Optimization ، extreme value theory ، Copulas functions ، Garch ، Conditional Value at Risk
نویسندگان
Abdullah Alishavandi
Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
Mehrzad Minouei
Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
Mirfaiz FallahShams
Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
Gholamreza Zomorodian
Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :