اعتبار،چابکی،پاسخگویی

بهینه سازی مدیریت ریسک تحت دنباله های شبه تصادفی و مقایسه کارایی آن با روش مونت کارلوی زنجیرهای مارکف

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه آمار، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران

2 استادیار گروه مهندسی عمران، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران

چکیده
ریسک به عنوان یک عامل تأثیرگذار در حیات سازمان ها و مؤسسات همواره مطرح بوده و از سوی دیگر پرداختن به هر امری بی‌شک در مراحلی عدم قطعیت هایی را به دنبال خواهد داشت. از دیدگاه نظری، هر فعالیت اقتصادی توام با درجه‌ای از ریسک بوده که آن را نمی‌توان حذف نمود. بنابراین نگرش علمی و منطقی به مسئله ریسک چیزی جز مدیریت آن نبوده است. ضرورت مدیریت و کنترل بهینه ریسک در بنگاه های بزرگ اقتصادی و تجاری موجب شده است که مطالعات گسترده‌ای در این زمینه صورت گیرد که به سرعت نیز در حال رشد و شکوفایی بوده است. یکی از ابزارهای قوی و مهم در مدیریت ریسک، اندازه‌گیری و کمی سازی ریسک بوده است.در این مقاله یک روش شبه مونت کارلو را بر مبنای توالی های دنباله های کم پراکنده نظیر هالتون و سوبول برای تخمین ارزش در معرض خطر در پیش بینی قیمت ریسک معرفی کرده و عملکرد آن را با شبیه‌سازی استاندارد مونت کارلو مورد مقایسه قرار داده‌ایم. در بررسی های انجام شده، روش شبه‌ مونت کارلو بین 2 تا 9 برابر سریعتر از شبیه‌سازی مونت کارلوی زنجیر مارکف می‌باشد. در نهایت ملاحظه می‌شود که روشهای شبه مونت کارلو باعث بهبودی بارز و چشمگیری در عملکرد شبیه سازی سهام شده و بنابراین زمان مورد نیاز برای دستیابی به اندازه گیری‌های قابل اعتماد و معتبر ریسک کاهش می‌یابد.

کلیدواژه‌ها

موضوعات

عنوان مقاله English

Optimizing risk management under pseudo-random sequences and comparing its efficiency with Monte Carlo method of Markov chains.

نویسندگان English

kianoush fathi vajargah 1
AliReza LORK 2
1 Associate Professor of Statistics Department, Islamic Azad University, North Tehran Branch, Tehran, Iran
2 Department of Civil Engineering, Karaj Branch, Islamic Azad University, Karaj, Iran
چکیده English

ریسک به عنوان یک عامل تأثیرگذار در حیات سازمان ها و مؤسسات همواره مطرح بوده و از سوی دیگر پرداختن به هر امری بی‌شک در مراحلی عدم قطعیت هایی را به دنبال خواهد داشت. از دیدگاه نظری، هر فعالیت اقتصادی توام با درجه‌ای از ریسک بوده که آن را نمی‌توان حذف نمود. بنابراین نگرش علمی و منطقی به مسئله ریسک چیزی جز مدیریت آن نبوده است. ضرورت مدیریت و کنترل بهینه ریسک در بنگاه های بزرگ اقتصادی و تجاری موجب شده است که مطالعات گسترده‌ای در این زمینه صورت گیرد که به سرعت نیز در حال رشد و شکوفایی بوده است. یکی از ابزارهای قوی و مهم در مدیریت ریسک، اندازه‌گیری و کمی سازی ریسک بوده است.در این مقاله یک روش شبه مونت کارلو را بر مبنای توالی های دنباله های کم پراکنده نظیر هالتون و سوبول برای تخمین ارزش در معرض خطر در پیش بینی قیمت ریسک معرفی کرده و عملکرد آن را با شبیه‌سازی استاندارد مونت کارلو مورد مقایسه قرار داده‌ایم. در بررسی های انجام شده، روش شبه‌ مونت کارلو بین 2 تا 9 برابر سریعتر از شبیه‌سازی مونت کارلوی زنجیر مارکف می‌باشد. در نهایت ملاحظه می‌شود که روشهای شبه مونت کارلو باعث بهبودی بارز و چشمگیری در عملکرد شبیه سازی سهام شده و بنابراین زمان مورد نیاز برای دستیابی به اندازه گیری‌های قابل اعتماد و معتبر ریسک کاهش می‌یابد.

کلیدواژه‌ها English

  • Random Monte Carlo method
  • Sobol sequence
  • risk measurement
  • value at risk
معارفیان، مهدی، محمدی، شاپور و اسلامی بیدگلی، ) 1391 (. کاربرد شبیهسازی شبه مونت کارلو در تخمین ریسک بازار،
دهمین کنفرانس بین المللی مدیریت
Boyle, P. P., M. Broadie and P. Glasserman, (1996), Monte Carlo Methods for Security Pricing, Journal
of economics Dynamics and Control.
Caflisch, R.E., W. Morokoff and A. Owen, (1997), Valuation of Mortgage Backed Securities using
Brownian Bridges to Reduse effective dimension, Computational Finance, 1, 27-46.
fathi, k, Shoghi,m.(2015). Simulation of Stochastic differential equation of geometric Brownian motion
by quasi-Monte Carlo method and its application in prediction of total index of stock market and value at risk.
Mathematical Sciences 9, 115-125
fathi, k, BF Vajargah, Parallel Monte Carlo computations for solving SLAE with minimum
communications. Applied mathematics and computation 183 (1), 1-9
G. O. Roberts and J. S. Rosenthal, (2004), General State Space Markov Chains and MCMC Algorithms,
Probability Surveys.
Hull, John C. (2008). Options, Futures and Other Derivatives (7).
Kreinin, A., L. Merkoulovitch, D. Rosen and M. Zerbs, (1998), Efficiency Analysis of the Advanced
Monte Carlo methods in risk watch, Research report, Algorithmics.
Kloeden, P.E., Platen, E., (1995), Numerical Solution of Stochastic Differential Equations, Springer,
Berlin.
Kupiec, P., (1995), Techniques for Varifiying the Accuracy of Risk Measurment Models, Journal of
Derivatives, Vol. 3, 73-84.
Oksendal, B., (1985), Stochastic Differential Equations, Springer.
Caletti, M., (2002), On the Stability Properties of a Stochastic Model for Phage-bacteria Interaction in
Open marine Environment, Math. Biosci ,175(2), 117-131.
Milstein,G. N., (1995), Numerical Integration of SDE.
  • تاریخ دریافت 30 تیر 1403
  • تاریخ بازنگری 23 شهریور 1403
  • تاریخ پذیرش 31 شهریور 1403
  • تاریخ اولین انتشار 26 بهمن 1403
  • تاریخ انتشار 01 اسفند 1403