دانلود ترجمه مقاله بهینه سازی قوی نسبت CVaR STARR مخلوط با مفصل ها (ساینس دایرکت – الزویر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۳۹ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۵۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

بهینه سازی قوی نسبت CVaR STARR مخلوط با مفصل ها

عنوان انگلیسی مقاله:

Robust optimization of mixed CVaR STARR ratio using copulas

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۳۹ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی صنایع
گرایش های مرتبط با این مقاله برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها
چاپ شده در مجله (ژورنال) مجله ریاضیات محاسباتی و کاربردی – Journal of Computational and Applied Mathematics
کلمات کلیدی بهینه سازی سبد سهام، بهینه سازی استوار سبد سهام، نسبت STARR، ارزش در ریسک شرطی ترکیبی، مدل ARMA-GJR-GARCH، مفصل واین با قاعده
کلمات کلیدی انگلیسی Portfolio optimization – robust portfolio optimization – STARR ratio – mixed conditional value-at-risk – ARMA-GJR-GARCH model – regular vine copula
ارائه شده از دانشگاه گروه ریاضیات، انستیتوی فناوری دهلی، هند
نمایه (index) scopus – master journals – JCR
نویسندگان Anubha Goel – Amita Sharma – Aparna Mehra
شناسه شاپا یا ISSN ۰۳۷۷-۰۴۲۷
شناسه دیجیتال – doi https://doi.org/10.1016/j.cam.2018.08.001
ایمپکت فاکتور(IF) مجله ۲٫۲۳۷ در سال ۲۰۲۰
شاخص H_index مجله ۱۱۱ در سال ۲۰۲۱
شاخص SJR مجله ۰٫۸۷۰ در سال ۲۰۲۰
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۲۰
بیس است  
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر دارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۱۶۸۹
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۵۰ (۳ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ترجمه شده است
ترجمه پاورقی ترجمه شده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱٫ مقدمه

سهم ها

۲٫ مرور ادبیات

۲٫۱٫ نسبت پاداش-ریسک

۲٫۲٫ مفصل های واین

۲٫۳٫ بهینه سازی استوار

۳٫ مدلسازی چند متغیره

۳٫۱٫ مدل ARMA-GJR-GARCH برای توزیع حاشیه ای

۳٫۲٫ مفصل ها

۳٫۳٫ مفصل های واین

۴٫ فرمولاسیون مدل ها

۴٫۱٫ علائم

۴٫۲٫ مدل نسبت STARR با CVaR مختلط و CVaR مختلط انحرافی

۴٫۳٫ مدلهای استوار نسبت STARR

۵٫ متدلوژی و داده ها

۵٫۱٫ متدلوژی

۵٫۲٫ داده ها

۶٫ تحلیل تجربی

۶٫۱٫ نتایج: اولین مجموعه داده

۶٫۲٫ نتایج: دومین مجموعه داده

۶٫۳٫ سومین مجموعه داده: تحلیل پنجره نورد

۷٫ نتایج

ضمیمه

مفصل های ارشمیدسی

 

بخشی از ترجمه

چکیده

ما مدلهای بهینه سازی استوار برای دو نوع نسبت بازده تنظیم شده با دنباله ثابت (STARR)، یکی با ارزش در ریسک شرطی ترکیبی (MCVaR) و دیگری با ارزش در ریسک ترکیبی انحرافی (DMCVaR)، با ابهام مشترک در توزیع مدلسازی شده با استفاده از مفصل ها، معرفی می کنیم. این دو مدل نشان داده می شوند تا برنامه های خطی از نظر محاسباتی، قابل ردیابی باشند. از یک روش دو مرحله ای برای بکارگیری ساختار وابستگی مشترک در میان دارایی ها استفاده می کنیم. در ابتدا، باقیمانده فیلتر شده از مجموعه های بازده هر دارایی را با استفاده از میانگین متحرک خودبازگشتی  مدل تعمیم یافته واریانس ناهمگن  شرطی خودبازگشتی گلاستن ، جاگاناتان  و رانکل  (ARMA-GJR-GARCH) استخراج می کنیم. در ادامه، از مفصل های واین  با قاعده برای مدلسازی همبستگی اشتراکی بین باقیمانده های تبدیل شده استفاده می کنیم. ساختار درختی در واین های با قاعده با استفاده از تاو  کندال انجام می شوند. ما عملکرد دو مدل استوار پیشنهادی را با مشابهت های معمولی بین آنها، که تنها با استفاده از مفصل گاوسی بیان می شود، هنگام توزیع مشترک در دومی مقایسه می کنیم. همچنین، عملکرد سبد سهام  بدست آمده را در مقابل سبد سهام بدست آمده از مدل مارکوییتز  و مدلهای GARCH چند متغیره، با استفاده از تحلیل پنجره نَوَرد  بررسی می کنیم. ما عملکرد بالاتر مدلهای استوار پیش بینی شده را نسبت به مدلهای مشابه معمولی در بازده های میانگین اضافی، نسبت سورتینو ، نسبت راچِو ، نسبت VaR، و نسبت ترینر ، در سه مجموعه داده شامل شاخص های کلی نشان می دهیم.

 

۱٫ مقدمه

از آغاز دوره نظریه جدید سبد سهام با تحقیق اولیه مارکوییتز [۵۳]، که معیار ریسک سرمایه گذاری را به صورت انحراف استاندارد توزیع بازدهی در نظر گرفت، شاهد گسترش چندین مدل بهینه سازی پاداش-ریسک در متون تحقیقاتی بوده ایم. این مدل ها، هدف مشترکی برای یافتن یک سبد سهام بهینه با حداکثربازده و حداقل ریسک دارند. به طور کلی، مدلهای دو منظوره به مسائل یک منظوره با حداکثر بازده با توجه به حد بالای ریسک و حداقل ریسک باتوجه به حد پایین بازده یا حداکثرسازی تابع سود بازده-ریسکِ ترکیبی با یک پارامتر مشخص ریسک گریزی، تبدیل می شوند.راه حل های بهینه مسائل نتیجه شده، به ترتیب نسبت به انتخاب حد بالا، حد پایین، و پارامتر ریسک گریزی، حساس هستند. 

 

۷٫ نتایج

بازده سبد سهام، یک متغیر تصادفی چند متغیره است که توزیع ان وابسته به ساختار وابستگی در میان تشکیلات آن است. این وابستگی نیاز به بکارگیری دقیق تصمیمات درست سرمایه گذاری دارد. نظریه مفصل، یک مکانیسم بسیار پذیرفته شده برای بکارگیری ساختار وابستگی با در نظر گرفتن بیشترین ویژگی های روش موجود در داده های مالی، مانند عدم تقارن، دنباله های بزرگ، و غیر خطی بودن می باشد. با این حال، پویایی های همواره در حال تغییر بازار، پیچیده تر می شود تا به اندازه کافی توسط یک تابع مفصل واحد بیان شوند. فرض می کنیم که از مفصل های مختلط، ترکیبی خطی از مفصل های مختلف، استفاده کنیم تا ساختار وابستگی را در بازده های سبد سهام تطبیق دهیم.

 

بخشی از مقاله انگلیسی

Abstract

We introduce the robust optimization models for two variants of stable tail-adjusted return ratio (STARR), one with mixed conditional value-at-risk (MCVaR) and the other with deviation MCVaR (DMCVaR), under joint ambiguity in the distribution modeled using copulas. The two models are shown to be computationally tractable linear programs. We apply a two-step procedure to capture the joint dependence structure among the assets. We first extract the filtered residuals from the return series of each asset using AutoRegressive Moving Average Glosten Jagannathan Runkle Generalized Autoregressive Conditional Heteroscedastic (ARMA-GJR-GARCH) model. Subsequently, we exploit the regular vine copulas to model the joint dependence among the transformed residuals. The tree structure in the regular vines is accomplished using Kendall’s tau. We compare the performance of the proposed two robust models with their conventional counterparts when the joint distribution in the latter is described using Gaussian copula only. We also examine the performance of the obtained portfolios against those from the Markowitz model and multivariate GARCH models using the rolling window analysis. We illustrate the superior performance of the proposed robust models than their conventional counterpart models on excess mean returns, Sortino ratio, Rachev ratio, VaR ratio, and Treynor ratio, on three data sets comprising of indices across the globe.

 

۱٫ Introduction

Since the beginning of the era of modern portfolio theory with the pioneering work of Markowitz [53], where the measure of risk in investment is taken to be the standard deviation of return distribution, the literature has seen a proliferation of several rewardrisk optimization models. These models have a common aim to find an optimal portfolio of maximum return and minimum risk. The bi-objective models generally are transformed into single objective problems of maximizing return given an upper bound on risk or minimizing risk given a lower bound on the return or maximizing the combined returnrisk utility function for a given risk-aversion parameter. The optimal solutions of the resulting problems are sensitive to the choice of the upper bound, lower bound, and riskaverse parameter, respectively.

 

۷٫ Conclusions

Portfolio return is a multivariate random variable whose distribution depends on the underline dependence structure among its constitutes. This dependency needs to be capture carefully for correct investment decisions. Copula theory is a widely accepted mechanism to capture the dependency structure by accounting for most stylized features present in the financial data, like asymmetry, fat-tails, and nonlinearity. However, the ever-changing market dynamics is more complicated to be adequately represented by a single copula function. We propose to use mixture copulas, a linear combination of various copulas, to fit the dependence structure in portfolio returns.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

بهینه سازی قوی نسبت CVaR STARR مخلوط با مفصل ها

عنوان انگلیسی مقاله:

Robust optimization of mixed CVaR STARR ratio using copulas

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا