بهینه سازی پرتفوی متشکل از موجودیت‌های رمزنگاری‌شده؛ با استفاده از ارزش در معرض خطر مشروط و رویکرد مارکف سوئیچینگ گارچ

نوع مقاله : علمی- پژوهشی

نویسندگان

1 دانشجوی دکترای اقتصاد، دانشکده اقتصاد، دانشگاه علامه طباطبایی

2 استاد گروه اقتصاد نظری، دانشکده اقتصاد، دانشگاه علامه طباطبائی، تهران، ایران

3 دانشیارگروه اقتصاد نظری، دانشکده اقتصاد دانشگاه علامه طباطبائی

4 استاد گروه اقتصادنظری/ دانشکده اقتصاد / دانشگاه علامه طباطبایی / تهران، ایران

5 دانشیار گروه اقتصاد نظری، دانشکده اقتصاد، دانشگاه علامه طباطبایی، تهران، ایران

10.30465/jnet.2024.48331.2124

چکیده

در دهه‌ی اخیر، محبوبیت سرمایه‌گذاری در موجودیت‌های رمزنگاری شده افرایش یافته و به مرور، بازار رمزدارایی‌ها، با جذب نقدینگی بالاتر و توسعه‌ی پلتفرم‌های معاملاتی برخط به بلوغ رسیده است. با این‌حال، سرمایه‌گذاری در این حوزه، به‌دلیل نوسانات ناگهانی قیمت می‌تواند تعادل میان بازدهی ریسک و بازده را بر هم زند. برای مقابله با این امر، انتخاب یک سبد بهینه که به‌طور همزمان در کنار بیشینه ساختن نرخ بازده مورد انتظار، ریسک سرمایه‌گذاری را حداقل نماید، حائز اهمیت است. بر این اساس، هدف پژوهش حاضر، انتخاب سبد بهینه‌ای از رمزدارایی‌ها با استفاده از رویکرد ارزش در معرض خطر مشروط و با بهره‌گیری از فرآیند مارکف سوئیچینگ گارچ است. بدین‌منظور، از داده‌های بازده روزانه‌ی شش رمزدارایی بیت‌کوین، اتریوم، لایت‌کوین، ریپل، کاردانو، باینانس‌کوین که دارای ارزش بازاری بالا هستند و همچنین، ارز دیجیتال باثبات تتر، طی دوره‌ی 1/1/2019 تا 1/12/2023 استفاده شده است. نتایج حاصل از پژوهش نشان می‌دهد که در رژیم با نوسانات بالا، سهم بیشتری از پرتفوی سرمایه‌گذاری به ارز دیجیتال باثبات تتر و بیت‌کوین (که دارای دامنه‌ی حرکتی باثبات‌تری نسبت به سایر رمزدارایی‌ها هستند) اختصاص دارد. در مقابل، در رژیم با نوسانات پایین، سبد بهینه‌ی سرمایه-گذاری، به‌دلیل بیشینه ساختن بازده مورد انتظار، وزن بیشتری را به آلت‌کوین‌ها اختصاص داده است.

کلیدواژه‌ها

عنوان مقاله [English]

cryptocurrency portfolio optimization: Conditional Value at Risk and Markov Switching GARCH approach

نویسندگان [English]

  • Mohammad Borzouei Lamouki 1
  • Teymour Mohammadi 2
  • Esfandiar Jahangard 3
  • seyed mohamadreza seyed nourani 4
  • Mahnoush A.Milani 5
1 Theoretical Economics Group, Faculty of Economics, Allameh Tabataba'i University
2 Theoretical Economics, Faculty of Economics, Allameh Tabatabaei university, Tehran, Iran
3 Faculty member of Economics Department
4 Theoretical Economics / Faculty of Economics / Allameh Tabataba’i University / Tehran
5 theoretical Economics, Faculty of Economics, Allameh Tabatabaei university, Tehran, Iran
چکیده [English]

In recent years, the popularity of investing in cryptocurrencies has increased, and gradually, the cryptocurrency market has matured by attracting higher liquidity and developing online trading platforms. However, investing in this area can disrupt the balance between risk-adjusted returns due to sudden price fluctuations. To address this issue, selecting an optimal portfolio that simultaneously maximizes expected return while minimizing investment risk is crucial. Accordingly, this study aims to select an optimal portfolio of cryptocurrencies using the Conditional Value at Risk approach and the Markov Switching GARCH process. For this purpose, daily return data from six high-market-cap cryptocurrencies—Bitcoin, Ethereum, Litecoin, Ripple, Cardano, and Binance Coin—as well as the stablecoin Tether—were utilized from January 1, 2019, to December 1, 2023. The study results indicate that in a high-volatility regime, a larger portion of the investment portfolio is allocated to the stablecoin Tether and Bitcoin (which exhibit more stable price movements than other cryptocurrencies). Conversely, in a low-volatility regime, the optimal investment portfolio allocates a higher weight to altcoins, aiming to maximize expected returns.

کلیدواژه‌ها [English]

  • portfolio optimization
  • conditional value at risk
  • Markov switching GARCH
  • bootstrap
  • Cryptocurrency

مراجع

آقامحمدی، احمد، اوحدی، فریدون، صیقلی، محسن، و بنی مهد، مهدی. (1399). برآورد ریسک سرمایه گذاری در یک پرتفوی ارز دیجیتال و بهینه سازی آن با استفاده از روش ارزش در معرض خطر. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 13(47 )، 17-31.
آقامحمدی، احمد، اوحدی، فریدون، صیقلی، محسن، و بنی مهد، بهمن. (1401). ارائه یک الگو برای ارزیابی و بهینه سازی ریسک مربوط به انتخاب یک پرتفوی ارزی بانک در ترکیب با ارزهای دیجیتال. پژوهش های مدیریت منابع سازمانی، 12(2 )، 31-57.
اصغرپور حسین، فلاحی فیروز، صنوبر ناصر، رضازاده علی. بهینه‌سازی سبد سهام در چارچوب ارزش در معرض خطر: مقایسه روش‌های MS-GARCH و بوت استرپینگ. تحقیقات مدلسازی اقتصادی. ۱۳۹۳; ۵ (۱۷) :۸۷-۱۲۲ .
حدادی، محمدرضا، نادمی، یونس، طافی، فاطمه (1400)، بهینه سازی سبد سهام با معیارهای MAD  و CVaR با مقایسه روش های کلاسیک و فراابتکاری، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 47، 533-514.
ذوالفقاری، فهیمه، میرغفوری، سید حبیب اله (1400)، انتخاب و بهینه­سازی پرتفوی سهام با استفاده از روش میانگین واریانس مارکویتز و ماشین بردار پشتیبان، اولین همایش ملی اقتصاد، مدیریت و مهندسی مالی با تاکید بر تولید، پشتیبانی­ها و مانع زدایی­ها، ارومیه.
راعی، رضا، تلنگی، احمد. (1383)، مدیریت سرمایه‌گذاری پیشرفته‌، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه­ها (سمت)، 866. مدیریت؛ 61.
راعی، رضا. علی بیگی، هدایت(1388) ،بهینه‌سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات، تحقیقات مالی، دوره 12، شماره 29، صفحه21-40.
رسول­سجاد، سجاد، گرجی، مهسا . (1391). برآورد ارزش در معرض خطر با استفاده از روش باز نمونه­گیری بوت استرپ (مطالعه موردی بورس اوراق بهادار تهران)، فصلنامه علمی- پژوهشی مطالعات اقتصادیِ کاربردی در ایران، سال اوّل، شماره 1.
فلاح پور، سعید، رضوانی، فاطمه، و رحیمی، محمدرضا. (1394). برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدل­های ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 8(26)، 1-18.
فیروزدهقان، محمد، سعیدی، هادی، محمدی، شعبان، الهی, قاسم. (1398). انتخاب پرتفوی با داده‌های فرکانس بالا: الویت های ریسک گریزی نسبی ثابت و اثرنقدینگی، مهندسی مالی و مدیریت اوراق بهادار، 10(38).
قاسمیه، رحیم، سینایی، حسنعلی، نیسی، عبدالحسین، چهارلنگی سردارآبادی، زهرا. (1400). مقایسه تطبیقی پیش‌بینی تلاطم پذیری قیمت سهام با روش گارچ و گارچ بوت استرپ، مجله مدل‌سازی پیشرفته ریاضی 1(11).
Ardia, D., Bluteau, k., Boudt, k., Catania, L., Forecasting risk with Markov-switching GARCH models:A large-scale performance study, International Journal of Forecasting, Volume 34, Issue 4, 733-747.
Bakry, Walid, Audil Rashid, Somar Al-Mohamad, and Nasser El-Kanj. 2021. Bitcoin and Portfolio Diversification: A Portfolio Optimization Approach. Journal of Risk and Financial Management 14: 282.
Bollerslev, T. (1986). "Generalized autoregressive conditional heteroskedasticity," Journal of Econometrics, Elsevier, vol. 31(3), pages 307-327, April.
Brauneis, Alexander & Mestel, Roland, 2019. "Cryptocurrency-portfolios in a mean-variance framework," Finance Research Letters, Elsevier, vol. 28(C), pages 259-264.
Campbell, R., Huisman, R. & Koedijk, K. (2001), Optimal portfolio selection in a Markowitz framework, Journal of Banking & Finance, vol. 25(9), pp. 1789-1804.
Chen, J. (2024)., Conditional Value at Risk (CVar): Definition, Uses, Formula, Investopedia.
Clement Mba, Mwambi, S. (2020), A Markov-switching COGARCH approach to cryptocurrency portfolio selection and optimization, Financial Markets and Portfolio Management journal, volume 34, pages 199-214.
Deng, W., Polak, P., Safikhani, A., & Shah, R. (2024). A unified framework for fast large-scale portfolio optimization. Data Science in Science, 3(1), 2295539.
Ding, S. (2024). Portfolio Optimization Based on Markowitz Investment Theory and Monte Carlo Simulation, 2024 International Conference on Development of Digital Economy (ICDDE 2024),     Digital Finance Analysis and Research, Volume 188, 2024.
Efron, B., Tibshirani, R., & Tibshirani, R. J. (1994). An introduction to the bootstrap. Chapman & Hall/CRC. https://doi.org/10.1007/978-1-4899-4541-9.
Engle, Robert F, 1982. "Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation," Econometrica, Econometric Society, vol. 50(4), pages 987-1007, July.
Gaskin., S., Kalim, R., Kelvin, J., Wallace., David, Islip., Roy, H., Kwon., Jim, Kyung-Soo, Liew. (2023). Portfolio Optimization Techniques for Cryptocurrencies. The Journal of Investing, 32(3):50-65.
Henderson AR. The bootstrap: a technique for data-driven statistics. Using computer-intensive analyses to explore experimental data. Clin Chim Acta. 2005 Sep;359(1-2):1-26.
Klaassen, F., Improving GARCH volatility forecasts with regime-switching GARCH, Empirical Economics, vol. 27, no. 2, pp. 363–394, 2002.
Krokhmal, P., Palmquist, J., Uryasev, S. (2002).  Portfolio optimization with conditional value-at-risk objective and constraints, Journal of risk, Volume 4, pages 43-68.
Larsen, N., Mausser, H., Uryasev, S., Algorithms for optimization of value-at-risk, Vol. 70, Financial Engineering, E-commerce and Supply Chain. Kluwer Academic Publishers, 2002.
Marcucci, j.(2005). Forecasting Stock Market Volatility with Regime-Switching GARCH Models, Studies in Nonlinear Dynamics & Econometrics, 9, (4), 1-55.
Mahmoudi, M. (2023). Evaluating the Impact of Bitcoin On International Asset Allocation Using Mean-Variance, Conditional Value at Risk (CVaR), and MARKOV Regime Switching Approaches, NORTHERN ILLINOIS UNIVERSITY, DE KALB, ILLINOIS.
Sarykalin, S., Serraino, G., Uryasev, S. (2008), Value-at-Risk vs. Conditional Value-at-Risk in Risk Management and Optimization, operations research, Informs 2008.
Tenkam, H.M.; Mba, J.C.; Mwambi, S.M. Optimization and Diversification of Cryptocurrency Portfolios: A Composite Copula-Based Approach. Appl. Sci. 2022, 12, 6408.
Yi, Shuyue, Zishuang Xu, and Gang-Jin Wang. 2018. Volatility connectedness in the cryptocurrency market: Is Bitcoin a dominant cryptocurrency? International Review of Financial Analysis 60: 98–114.
Yıldırım, H., Bekun, F.V. Predicting volatility of bitcoin returns with ARCH, GARCH and EGARCH models. Futur Bus J 9, 75 (2023).
Zhang, Y., Li, X., & Guo, S. (2018). Portfolio selection problems with Markowitz’s mean-variance framework: a review of literature. Fuzzy Optimization and Decision Making, 17(2), 1-34.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 29 بهمن 1402
  • تاریخ بازنگری: 21 اردیبهشت 1403
  • تاریخ پذیرش: 22 مهر 1403

هم رسانی

ارجاع به این مقاله

آمار