قیمت گذاری دارایی [ ویرایش ]

تحلیل فوق رفتار مطلوب یک سرمایه گذار منفرد را توصیف می کند. نظریه قیمت گذاری دارایی بر اساس این تحلیل به روش زیر است. از آنجایی که همه دارایی های پرخطر را به نسبت یکسان با یکدیگر نگه می دارند - یعنی در نسبت های ارائه شده توسط پرتفوی مماس - در تعادل بازار ، قیمت دارایی های پرخطر و در نتیجه بازده مورد انتظار آنها ، طوری تنظیم می شوند که نسبت های موجود در پرتفوی مماس همان نسبت هایی که دارایی های پرخطر در آنها عرضه می شود. بنابراین لوازم نسبی با خواسته های نسبی برابر خواهد بود MPT در این زمینه بازده مورد انتظار برای دارایی با قیمت مناسب را بدست می آورد.

خطر سیستماتیک و خطر خاص [ ویرایش ]

ریسک خاص ، ریسک مرتبط با دارایی های منفرد است - در سبد سهام این ریسک ها می توانند از طریق متنوع سازی کاهش یابد (خطرات خاص "لغو می شوند"). خطر خاص نیز خطر متنوع ، منحصر به فرد ، غیر سیستماتیک یا خاص است. ریسک سیستماتیک ( ریسک نمونه کارها یا ریسک بازار) به ریسکی است که در همه اوراق بهادار مشترک است - به جز فروش کوتاه که در زیر ذکر شده است ، ریسک سیستماتیک را نمی توان تنوع داد (در یک بازار). در سبد بازار ، ریسک خاص دارایی تا حد ممکن متنوع خواهد شد. بنابراین ریسک سیستماتیک با ریسک (انحراف معیار) پرتفوی بازار برابر می شود.

از آنجا که یک اوراق بهادار تنها درصورتیکه ویژگیهای بازده مورد انتظار در پرتفوی بازار را بهبود بخشد خریداری خواهد شد ، معیار اندازه گیری مربوط به ریسک اوراق بهادار ریسکی است که به پرتفوی بازار اضافه می کند و نه خطر آن به طور جداگانه. در این زمینه ، نوسانات دارایی و ارتباط آن با پرتفوی بازار از نظر تاریخی مشاهده می شود و بنابراین ارائه می شود. (روش های مختلفی برای قیمت گذاری دارایی وجود دارد که سعی در قیمت گذاری دارایی ها با مدلسازی خصوصیات تصادفی لحظات بازده دارایی ها دارد - به طور کلی به آنها مدل قیمت گذاری دارایی مشروط گفته می شود.)

خطرات سیستماتیک در یک بازار را می توان از طریق استراتژی استفاده از موقعیت های بلند و کوتاه در یک سبد ، ایجاد یک نمونه کار "خنثی در بازار" مدیریت کرد. بنابراین ، پرتفوی های خنثی بازار با شاخص های گسترده تر بازار ارتباط نخواهند داشت.

مدل قیمت گذاری دارایی سرمایه [ ویرایش ]

مقاله اصلی: مدل قیمت گذاری دارایی های سرمایه ای

بازده دارایی به مبلغ پرداختی امروز برای دارایی بستگی دارد. قیمت پرداخت شده باید اطمینان حاصل کند که ویژگی های ریسک / بازده سبد سهام در هنگام اضافه شدن دارایی به آن ، بهبود می یابد. CAPM یک مدل است که مشتق نظری مورد نیاز بازده مورد انتظار (یعنی نرخ تنزیل) برای یک دارایی در بازار است، با توجه به نرخ بدون ریسک در دسترس به سرمایه گذاران و خطر ابتلا به بازار به عنوان یک کل. CAPM معمولاً بیان می شود:

\ operatorname {E} (R_ {i}) = R_ {f} + \ beta _ {i} (\ operatorname {E} (R_ {m}) - R_ {f})

  • β ، Beta ، اندازه گیری حساسیت دارایی به یک حرکت در بازار کلی است. بتا معمولا از طریق پیدا رگرسیون در داده های تاریخی. بیش از یک بتا به معنای بیش از حد متوسط ​​"ریسک پذیری" به معنای سهم دارایی در کل ریسک نمونه کارها است. بتای زیر یک نشانگر مشارکت در خطر کمتر از متوسط ​​است.
  • (\ نام تجاری {E} (R_ {m}) - R_ {f}) حق بیمه بازار است ، انتظار می رود بازده اضافی بازده مورد انتظار سبد سهام نسبت به نرخ بدون ریسک باشد.

مشتق به شرح زیر است:

(1) تأثیر افزایشی بر ریسک و بازده مورد انتظار هنگامی که دارایی پرخطر اضافی ، a ، به سبد سهام بازار اضافه شود ، متر ، از فرمول های نمونه کارهای دو دارایی حاصل می شود. این نتایج برای بدست آوردن نرخ تنزیل مناسب دارایی استفاده می شود.

  • ریسک نمونه کارها در بازار به روز شده = (w_ {m} ^ {2} \ sigma _ {m} ^ {2} + [w_ {a} ^ {2} \ sigma _ {a} ^ {2} + 2w_ {m} w_ {a} \ rho _ {am} \ sigma _ {a} \ sigma _ {m}])

از این رو ، خطر اضافه شده به نمونه کارها =[w_ {a} ^ {2} \ sigma _ {a} ^ {2} + 2w_ {m} w_ {a} \ rho _ {am} \ sigma _ {a} \ sigma _ {m}]

اما از آنجا که وزن دارایی نسبتاً کم خواهد بود ،w_ {a} ^ {2} \ تقریبا 0

یعنی خطر اضافی = [2w_ {m} w_ {a} \ rho _ {am} \ sigma _ {a} \ sigma _ {m}] \ quad

  • بازده مورد انتظار سبد سهام =(w_ {m} \ operatorname {E} (R_ {m}) + [w_ {a} \ operatorname {E} (R_ {a})]]

از این رو بازده مورد انتظار اضافی =[w_ {a} \ operatorname {E} (R_ {a})]

(2) اگر دارایی ، a ، به درستی قیمت گذاری شود ، بهبود نسبت ریسک به بازده انتظار آن با افزودن آن به سبد سهام بازار ، متر ، حداقل با سود حاصل از صرف آن پول در یک سهام بیشتر مطابقت دارد نمونه کارها در بازار فرض این است که سرمایه گذار دارایی را با وجوهی که با نرخ بدون ریسک قرض گرفته شده خریداری کند ،RF}؛ این منطقی است اگر\ operatorname {E} (R_ {a})> R_ {f}.

بدین ترتیب:

[w_ {a} (\ operatorname {E} (R_ {a}) - R_ {f})] / [2w_ {m} w_ {a} \ rho _ {am} \ sigma _ {a} \ sigma _ { m}] = [w_ {a} (\ نام اپراتور {E} (R_ {m}) - R_ {f})] / [2w_ {m} w_ {a} \ sigma _ {m} \ sigma _ {m} ]

یعنی:[\ operatorname {E} (R_ {a})] = R_ {f} + [\ operatorname {E} (R_ {m}) - R_ {f}] * [\ rho _ {am} \ sigma _ {a } \ sigma _ {m}] / [\ sigma _ {m} \ sigma _ {m}]

یعنی:

[\ operatorname {E} (R_ {a})] = R_ {f} + [\ operatorname {E} (R_ {m}) - R_ {f}] * [\ sigma _ {am}] / [\ sigma _ {mm}]

[\ sigma _ {am}] / [\ sigma _ {mm}] \ quad  "بتا" است ، {\ \ بتا return- کوواریانس بین بازگشت دارایی و بازگشت بازار تقسیم بر واریانس بازار return- یعنی حساسیت قیمت دارایی ها به جنبش در ارزش پرتفوی بازار است.

این معادله را می توان با استفاده از معادله رگرسیون زیر از نظر آماری تخمین زد :

\ mathrm {SCL}: R_ {i، t} -R_ {f} = \ alpha _ {i} + \ beta _ {i} \، (R_ {M، t} -R_ {f}) + \ epsilon _ {i، t} {\ frac {} {}}

جایی که α i آلفای دارایی نامیده می شود ، β i ضریب بتا دارایی است و SCL خط مشخصه امنیتی است .

پس از بازگشت دارایی ، E (R_ {i})، با استفاده از CAPM محاسبه می شود ، جریانات نقدی آینده دارایی را می توان با استفاده از این نرخ به ارزش فعلی خود تنزیل کرد تا قیمت صحیح دارایی را تعیین کند. سهام پر خطرتر بتا بالاتری خواهد داشت و با نرخ بالاتری تخفیف می یابد. سهام کم حساس دارای بتا کمتری خواهند بود و با نرخ کمتری تخفیف می یابند. از نظر تئوری ، قیمت دارایی زمانی درست است که قیمت مشاهده شده آن برابر با ارزش محاسبه شده با استفاده از نرخ تخفیف مشتق شده از CAPM باشد. اگر قیمت مشاهده شده بالاتر از ارزیابی باشد ، دارایی بیش از حد ارزیابی می شود. برای یک قیمت خیلی پایین دست کم گرفته می شود.

انتقادات [ ویرایش ]

با وجود اهمیت نظری آن ، منتقدان MPT س questionال می کنند که آیا این یک ابزار ایده آل برای سرمایه گذاری است ، زیرا مدل بازارهای مالی آن از بسیاری جهات با دنیای واقعی مطابقت ندارد. [9] [1]

معیارهای ریسک ، بازده و همبستگی استفاده شده توسط MPT بر اساس مقادیر پیش بینی شده است ، به این معنی که آنها گزاره های آماری مربوط به آینده هستند (مقدار مورد انتظار بازده در معادلات فوق صریح و در تعاریف واریانس و کوواریانس ضمنی است ) . چنین اقداماتی غالباً نمی توانند ویژگیهای آماری واقعی ریسک و بازده را که غالباً توزیعهای بسیار انحرافی (به عنوان مثال توزیع نرمال ورود به سیستم ) را دنبال می کنند ، به دست آورند و می توانند علاوه بر کاهش نوسانات ، رشد تورم بازده را نیز ایجاد کنند. [10]در عمل ، سرمایه گذاران باید پیش بینی های مبتنی بر اندازه گیری های تاریخی بازده دارایی و نوسانات را جایگزین این مقادیر در معادلات کنند. غالباً چنین مقادیر مورد انتظار قادر به در نظر گرفتن شرایط جدیدی نیستند که هنگام تولید داده های تاریخی وجود نداشته است. [11]

اساساً ، سرمایه گذاران در برآورد پارامترهای اصلی داده های بازار گذشته گیر دارند زیرا MPT سعی در مدل سازی ریسک از نظر احتمال ضرر دارد ، اما چیزی در مورد علت وقوع این ضررها نمی گوید. اندازه گیری ریسک مورد استفاده ماهیتی احتمالی است و ساختاری نیست. این تفاوت عمده ای در مقایسه با بسیاری از رویکردهای مهندسی مدیریت ریسک است .

تئوری گزینه ها و MPT حداقل یک تفاوت مفهومی مهم با ارزیابی ریسک احتمالی انجام شده توسط نیروگاه های هسته ای دارند. PRA همان چیزی است که اقتصاددانان آن را الگوی ساختاری می نامند . اجزای یک سیستم و روابط آنها در شبیه سازی مونت کارلو مدل سازی شده است . اگر شیر X خراب شود ، باعث از بین رفتن فشار برگشتی به پمپ Y ، باعث افت جریان در رگ Z و غیره می شود.

اما در معادله بلک اسکولز و MPT ، تلاشی برای توضیح ساختار اساسی برای تغییرات قیمت وجود ندارد. نتایج مختلف به سادگی احتمالات داده می شود. و برخلاف PRA ، اگر سابقه یک رویداد خاص در سطح سیستم مانند بحران نقدینگی وجود نداشته باشد ، هیچ راهی برای محاسبه شانس آن وجود ندارد. اگر مهندسان هسته ای از این طریق مدیریت ریسک را انجام دهند ، هرگز نمی توانند شانس فروپاشی در یک کارخانه خاص را محاسبه کنند تا اینکه چندین رویداد مشابه در همان طراحی راکتور اتفاق بیفتد.

-  داگلاس د. هوبارد ، "شکست مدیریت ریسک" ، ص. 67 ، جان ویلی و پسران ، 2009. شابک  978-0-470-38795-5

اندازه گیری ریسک ریاضی نیز فقط در حدی مفید است که نگرانی واقعی سرمایه گذاران را منعکس کند - هیچ نقطه ای به حداقل رساندن متغیری که در عمل هیچ کس به آن توجه نکند وجود ندارد. به طور خاص ، واریانس یک معیار متقارن است که بازده غیر عادی بالا را به همان اندازه خطرناک می کند که بازده غیر عادی کم است. پدیده روانشناختی ضرر گریزی این ایده است که سرمایه گذاران بیش از سود ، نگران زیان هستند ، به این معنی که مفهوم شهودی ما از ریسک ماهیتی اساساً نامتقارن است. در آنجا بسیاری از اقدامات ریسک دیگر (مانند اقدامات ریسک منسجم ) ممکن است ترجیحات واقعی سرمایه گذاران را منعکس کند.

نظریه نمونه کارها مدرن نیز مورد انتقاد قرار گرفته است زیرا فرض می کند که بازده ها از توزیع گوسی پیروی می کنند . قبلاً در دهه 1960 ، بنوئه ماندلبروت و یوجین فاما عدم کفایت این فرض را نشان دادند و استفاده از توزیع های پایدار عمومی تر را به جای آن پیشنهاد کردند. استفان میتنیک و سوتلوزار راچف استراتژی هایی را برای بدست آوردن سهام بهینه در چنین شرایطی ارائه دادند. [12] [13] [14] اخیراً ، نسیم نیکلاس طالب همچنین نظریه مدرن نمونه کارها را در این زمینه مورد انتقاد قرار داده و نوشت:

پس از سقوط در بازار سهام (در سال 1987) ، آنها به دو نظریه پرداز ، هری مارکوویتز و ویلیام شارپ ، که مدل های زیبایی افلاطونی را بر پایه گوسی ساختند ، کمک کردند و به آنچه تئوری نمونه کارها مدرن گفته می شود ، کمک کردند. به سادگی ، اگر مفروضات گاوسی آنها را حذف کنید و قیمتها را مقیاس پذیر تلقی کنید ، هوای گرم شما باقی می ماند. کمیته نوبل می توانست مدل های Sharpe و Markowitz را آزمایش کند - آنها مانند داروهای کاکایی فروخته شده در اینترنت کار می کنند - اما به نظر می رسد هیچ کس در استکهلم در مورد آن فکر نکرده است.

-  [15] : ص 277

سرمایه گذاران متقابل / ارزش از نظریه مدرن نمونه کارها خرید نمی کنند زیرا این امر به فرضیه بازار کارآمد بستگی دارد و نوسانات سهام را با "ریسک" مرتبط می کند. این ریسک تنها فرصتی برای خرید یا فروش دارایی ها با قیمت های جذاب به شرط مناسب کتاب خود است. [ نیاز به منبع ]

برنامه های افزودنی [ ویرایش ]

از زمان معرفی MPT در سال 1952 ، تلاش های زیادی برای بهبود مدل انجام شده است ، به ویژه با استفاده از مفروضات واقع بینانه تر.

نظریه نمونه کارها پست مدرن MPP را با اتخاذ معیارهای خطر غیر توزیع شده ، نامتقارن و دم چربی گسترش می دهد. [16] این به برخی از این مشکلات کمک می کند ، اما برخی دیگر به این مشکلات کمک نمی کند.

بهینه سازی مدل Black-Litterman گسترش بهینه سازی بدون محدودیت Markowitz است که شامل "دیدگاه" های نسبی و مطلق در مورد ورودی های خطر و بازده از آن است.

ارتباط با تئوری انتخاب عقلانی [ ویرایش ]

تئوری پرتفوی مدرن در تضاد با بدیهیات اصلی است نظریه انتخاب عقلانی ، که مهمترین آنها با اصل یکنواختی، بیان کرد که، اگر سرمایه گذاری را در نمونه کارها X خواهد، با یک احتمال، بازگشت پول بیش از سرمایه گذاری به نمونه کارها Y ، پس از آن یک سرمایه گذار منطقی باید ترجیح X به Y . در مقابل ، نظریه نمونه کارها مدرن مبتنی بر بدیهی متفاوتی است ، به نام انحراف از واریانس ، [17] و ممکن است توصیه کند که بر روی Y سرمایه گذاری کنید زیرا واریانس کمتری دارد. Maccheroni و همکاران [18]تئوری انتخاب را توصیف کرده است که نزدیکترین امکان به نظریه نمونه کارها مدرن است ، در حالی که بدیهی یکنواختی را برآورده می کند. متناوباً ، تجزیه و تحلیل میانگین انحراف [19] یک تئوری انتخاب منطقی است که از جایگزینی واریانس با اندازه گیری مناسب خطر انحراف حاصل می شود .

برنامه های دیگر [ ویرایش ]

در دهه 1970 ، مفاهیم MPT به حوزه علوم منطقه ای راه یافتند . در یک سری کارهای اساسی ، مایکل کانروی [ نیاز به منبع ] نیروی کار در اقتصاد را با استفاده از روشهای نظری نمونه کارها برای بررسی رشد و تغییرپذیری نیروی کار مدلسازی کرد. به دنبال آن ادبیات طولانی درباره رابطه رشد اقتصادی و نوسانات ارائه شد. [20]

اخیراً ، از نظریه نمونه کارها مدرن برای مدل سازی خودپنداره در روانشناسی اجتماعی استفاده شده است. هنگامی که ویژگی های خود متشکل از خودپنداره نمونه کارهای متنوعی را تشکیل می دهند ، نتایج روانشناختی در سطح فرد مانند خلق و خوی و عزت نفس باید پایدارتر از زمانی باشد که خودپنداره متنوع نیست. این پیش بینی در مطالعات مربوط به افراد انسانی تأیید شده است. [21]

اخیراً ، نظریه نمونه کارها مدرن برای مدل سازی عدم اطمینان و همبستگی بین اسناد در بازیابی اطلاعات استفاده شده است. با توجه به یک پرس و جو ، هدف به حداکثر رساندن ارتباط کلی لیست اسناد رتبه بندی شده و در عین حال عدم اطمینان کلی لیست رتبه بندی شده است. [22]

اوراق بهادار پروژه و سایر دارایی های "غیر مالی" [ ویرایش ]

برخی از کارشناسان علاوه بر ابزارهای مالی ، MPT را در اوراق بهادار پروژه ها و دارایی های دیگر اعمال می کنند. [23] [24] وقتی MPT خارج از اوراق بهادار مالی سنتی اعمال می شود ، باید تمایزاتی بین انواع مختلف پرتفوی در نظر گرفته شود.

  1. دارایی های اوراق بهادار مالی برای اهداف عملی به طور مداوم قابل تقسیم هستند در حالی که نمونه کارهای پروژه ها "کلوخه" است. به عنوان مثال ، در حالی که می توانیم محاسبه کنیم که موقعیت بهینه نمونه کارها برای 3 سهام ، مثلاً 44٪ ، 35٪ ، 21٪ است ، اما موقعیت مطلوب برای نمونه کارها پروژه ممکن است به ما اجازه ندهد مقدار صرف شده برای یک پروژه را به سادگی تغییر دهیم. پروژه ها ممکن است همه یا هیچ باشند یا حداقل واحدهای منطقی دارند که نمی توانند از هم تفکیک شوند. یک روش بهینه سازی نمونه کارها باید ماهیت مجزا پروژه ها را در نظر بگیرد.
  2. دارایی های اوراق بهادار مالی مایع است. آنها می توانند در هر برهه از زمان ارزیابی یا ارزیابی مجدد شوند. اما فرصت ها برای راه اندازی پروژه های جدید ممکن است محدود باشد و ممکن است در بازه های زمانی محدودی رخ دهد. پروژه هایی که قبلاً شروع شده اند را نمی توان بدون از دست دادن هزینه های غرق شده کنار گذاشت (به عنوان مثال ، ارزش بازیابی / نجات یک پروژه نیمه تمام کم است یا اصلاً وجود ندارد).

هیچ یک از اینها لزوماً امکان استفاده از MPT و نمونه کارها را از بین نمی برد. آنها به سادگی نیاز به اجرای بهینه سازی را با مجموعه ای اضافی از محدودیت های بیان شده ریاضی نشان می دهند که معمولاً در پرتفوی مالی اعمال نمی شود.

بعلاوه ، برخی از ساده ترین عناصر تئوری نمونه کارها مدرن تقریباً در هر نوع نمونه کارها قابل اجرا هستند. مفهوم جذب تحمل ریسک یک سرمایه گذار از طریق مستند کردن میزان ریسک قابل قبول برای بازده معین ، ممکن است در انواع مشکلات تجزیه و تحلیل تصمیم گیری اعمال شود. MPT از واریانس تاریخی به عنوان معیار سنجش ریسک استفاده می کند ، اما نمونه کارهای دارایی مانند پروژه های بزرگ "واریانس تاریخی" مشخصی ندارند. در این حالت ، مرز سرمایه گذاری MPT می تواند با عبارات کلی تر مانند "شانس ROI کمتر از هزینه سرمایه" یا "شانس از دست دادن بیش از نیمی از سرمایه گذاری" بیان شود. وقتی ریسک از نظر عدم اطمینان در مورد پیش بینی ها و ضررهای احتمالی اعمال می شود ، این مفهوم قابل انتقال به انواع مختلف سرمایه گذاری است. [23]

همچنین به [ ویرایش ] مراجعه کنید

منبع

https://en.wikipedia.org/wiki/Modern_portfolio_theory