دانلود مقاله ISI انگلیسی شماره 5837 + ترجمه فارسی
عنوان فارسی مقاله

یک رویکرد بهینه‌سازی پایدار برای مدیریت دارایی - بدهی تحت فرصت‌های سرمایه‌گذاری متغیر با زمان

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
5837 2013 11 صفحه PDF 38 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A robust optimization approach to asset-liability management under time-varying investment opportunities
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Banking & Finance, Volume 37, Issue 6, June 2013, Pages 2031–2041

فهرست مطالب ترجمه فارسی
چکیده
  1. مقدمه
  2. مدل ALM برای صندوق‌های بازنشستگی 
  3. جدول 1: توضیح نشان‌گذاری
  4. مقدمه‌ی مختصری درباره‌ی بهینه‌سازی پایدار
  5. فرمول‌بندی ALM پایدار
  6. فرمول‌بندی ALM پایدار تحت فرصت‌های سرمایه‌گذاری متغیر با زمان
  7. آزمایش‌های محاسباتی
  8. اثر  دلتا روی عملکرد
  9. اثر   مگا روی عملکرد
  10. اثر تتا روی عملکرد
  11. متنوع‌سازی
  12. جدول 2: عملکرد راهبردهای اسمی، پایدار و برنامه‌نویسی تصادفی برای مقادیر مختلف پارامترهای ورودی 
  13. راهبرد پایدار در برابر راهبرد برنامه‌نویسی تصادفی
  14. نتیجه‌گیری
  15. پیوست الف
  16. پیوست ب
     
کلمات کلیدی
بهینه سازی قوی - مدیریت دارایی و بدهی - توانایی دستگاه محاسباتی -
ترجمه چکیده
این مقاله یک مدل مدیریت دارایی بدهی را بر مبنای تکنیک‌های بهینه‌سازی پایدار ارائه می‌کند. این مدل صراحتاً جنبه‌ی متغیر با زمان فرصت‌های سرمایه‌گذاری را مد نظر قرار می‌دهد. تأکید رویکرد پیشنهادی روی قابلیت ردیابی محاسباتی و جذابیت عملی است. مطالعات محاسباتی با داده‌های واقعی بازار در واقع عملکرد راهبردهای مبتنی بر بهینه‌سازی پایدار را مطالعه کرده و آن را با عملکرد رویکرد برنامه‌نویسی تصادفی کلاسیک مقایسه می‌کنند.
ترجمه مقدمه
مدیریت دارایی – بدهی (ALM) یکی از مسائل کلاسیک مدیریت ریسک مالی است. معمولاً، ALM شامل مدیریت دارایی‌ها است به گونه‌ای که بازده‌های کافی به دست آید، و در عین حال، مازاد دارایی‌ها (نسبت به بدهی‌های موجود و آتی) نیز حفظ شود. تعدادی از شرکت‌هایخدمات مالی مانند صندوق‌های بازنشستگی و شرکت‌های بیمهاین مسأله را پیش رو دارند. همان طور که بعداً مفصل‌تر توضیح خواهیم داد، مسأله‌ی پیدا کردن سیاست‌های بهینه در زمینه‌ی ALM به لحاظ محاسباتی چالش‌برانگیز است و بسیاری از رویکردهایی هم که برای پیاده‌سازی در منابع توصیف شده‌اند در عمل محاسبات بسیار سنگینی دارند. در این مقاله، عملکرد یک رویکرد مبتنی بر بهینه‌سازی پایدار را برای مدیریت مسأله‌ی ALM کلاسیک پیشنهاد و بررسی می‌کنیم. تمرکز ما روی قابلیت ردیابی محاسباتی و پیاده‌سازی عملی خواهد بود. راهکارهای تحلیلی برای راهبردهای سرمایه‌گذاری پویای بهینه از نوع ALM برای برخی موارد محدود در دسترس هستند (برای مثال، مقالات کلاسیک Samuelson, 1969، Merton, 1969 یا مقالات جدیدتری مانند Kim and Omberg, 1996، Wachter, 2002 را ببینید). با این حال، در عمل بیشتر از روش‌های عددی استفاده می‌شود. این رویکردهای عددی به سه دسته‌ی عمده تقسیم می‌شوند. دسته‌ی نخست برنامه‌نویسی پویا است – فضای حالت گسسته است و راهبرد تخصیص بهینه با استنتاج پسرو به دست می‌آید (برای مثال، Barberis, 2000; Detemple and Rindisbacher, 2008 را ببینید). دسته‌ی دوم رویکردهای مبتنی بر شبیه‌سازی است (برای مثال، Brandtet al., 2005; Boender, 1997 را ببینید). دسته‌ی سوم، که در تحقیق در عملیات و منابع حرفه‌ای بیشتر دیده می‌شود، تکنیک‌های برنامه‌نویسی تصادفی است (در میان منابع موجود می‌توانید Ferstl and Weissensteiner, 2011; Consiglio et al., 2006; Boender et al., 2005; Kouwenberg, 2001; Ziemba and Mulvey, 1998 را ببینید). این تکنیک‌ها معمولاً روی پیدا کردن قواعد بهینه‌ی سرمایه‌گذاری روی مجموعه‌ای از سناریوها برای بازده‌های آتی دارایی‌ها و بدهی‌های شرکت تمرکز می‌کنند. در حالی که این قبیل روش‌ها در برخی موارد با موفقیت به کار گرفته شده‌اند (Gondzio and Kouwenberg, 2001; Consigli and Dempster,1998; Consiglio et al., 2008; Escudero et al., 2009)، به چند دلیل هنوز هم استفاده‌ی عملی از آنها دشوار است. نخست، ALM ذاتاً یک مسأله‌ی چند دوره‌ای است و تعداد سناریوهای مورد نیاز برای بازنمایی رضایت‌بخش واقعیت همزمان با [افزایش] تعداد دوره‌های زمانی مد نظر به صورت نمایی افزایش می‌یابد. بنابراین، [دشواری] این بعد از مسأله‌ی بهینه‌سازی، و دشواری محاسباتی متناظر آن، افزایش می‌یابد. بسیاری از مقالاتی که رویکردهای مبتنی بر سناریو را برای ALM پیشنهاد می‌کنند تقریب‌هایی را برای فضای حالت یا ساده‌سازی‌هایی را برای مسأله‌ی بهینه‌سازی اتخاذ می‌کنند که در عمل باعث می‌شوند مسأله قابل مدیریت شود (برای مثال، Bogentoft et al., 2001 را ببینید). دوم، خود تولید سناریو نیز نیازمند تکنیک‌های آماری پیچیده‌ای است که برای متخصصینی که بایستی در مدتی کوتاه تصمیم بگیرند مانند نوعی مانع قابل توجه عمل می‌کنند. سرانجام، در اغلب موارد اطلاعات چندانی درباره‌ی توزیع‌های مشخص عدم قطعیت‌های آتی در مسأله‌ی ALM در دست نیست و داده‌های اندکی هم برای برآورد توزیع‌های احتمال این عدم قطعیت‌ها وجود دارد. در بسیاری از موارد، ممکن است ارائه‌ی اطلاعات عمومی درباره‌ی این عدم قطعیت‌ها مانند میانگین، بازه‌ها و انحراف‌ها بهتر از تولید سناریوهای مشخص باشد. این مقاله نوعی رویکرد عددی (بهینه‌سازی پایدار) را اتخاذ می‌کند که می‌توان آن را در دسته‌ی خود دسته‌بندی کرد اما با رویکردهای برنامه‌نویسی پویا و برنامه‌نویسی تصادفی نیز همپوشانی دارد. به طور مشخص، می‌توان برای همان نوع مسائلی که برنامه‌نویسی پویا و برنامه‌نویسی تصادفی برای آنها مناسب هستند از بهینه‌سازی پایدار نیز استفاده کرد؛ با این حال، برای فرمول‌بندی‌های بهینه‌سازی نیازمند یک رویکرد بدترین حالت هستیم (برای بحث مفصل در خصوص روابط میان این سه روش عددی، فصل 10 از Fabozzi et al., 2007 را ببینید). این رویکرد آن قدر هم که در ابتدا به نظر می‌رسد محدودکننده نیست. رویکرد بهینه‌سازی پایدار با فرض اینکه داده‌های ورودی غیر قطعی به یک مجموعه‌ی غیر قطعی تعلق دارند یک مسأله‌ی بهینه‌سازی را حل می‌کند و اگر این عدم قطعیت‌ها مقادیر مربوط به بدترین حالت را در درون آن مجموعه‌ی غیر قطعی اتخاذ کنند راه‌حل بهینه را پیدا می‌کند. همان طور که در بخش 3 به صورت مفصل‌تر توضیح خواهیم داد، می‌توان از شکل و اندازه‌ی مجموعه‌ی عدم قطعیت‌ها برای تغییر میزان محافظه‌کاری این راه‌حل و بازنمایی اولویت‌های ریسک سرمایه‌گذار استفاده کرد. در صنعت، بهینه‌سازی پایدار تنها در مدیریت دارایی و اساساً برای در بر گرفتن عدم قطعیت ناشی از خطاهای برآورد در چهارچوب تخصیص پورتفولیوی میانگین - واریانس استفاده شده است. برای مثال، گلدفارب و لاینگر (2003) راهبردهای تخصیص پورتفولیوی میانگین – واریانس پایدار را تحت مجموعه‌های عدم قطعیت بازه‌ای و بیضوی مختلف برای پارامترهای ورودی (میانگین‌ها و ماتریس‌های واریانس) مشتق شده از آنالیز رگرسیون در نظر می‌گیرند. سریا و استابس (2006) چهارچوب پایدار تنظیم آلفای صفر خالص را برای کاهش محافظه‌کاری راهبردهای میانگین – واریانس پایدار تحت مجموعه‌های عدم قطعیت بیضوی برای پارامترهای ورودی معرفی می‌کنند. راهبردهای سرمایه‌گذاری پایدار در یک محیط چند دوره‌ای توسط بن – تال و همکارانش (2000) و برتسیماس و پاچامانوا (2008) مطالعه شده‌اند. با توجه به این حقیقت که ALM به اطمینان از سطح عملکرد تضمینی کمینه برای پرداخت بدهی‌های آتی مربوط می‌شود، راهبردهای مبتنی بر بهینه‌سازی پایدار که روی تحقق بدترین حالت عدم قطعیت‌ها تأکید ویژه‌ای دارند به طور خاص در زمینه‌ی ALM جذابیت پیدا می‌کنند. نوعی رویکرد پایدار قابل ردیابی را برای ALM در صندوق‌های بازنشستگی پیشنهاد می‌کنیم. مشارکت‌های ما به طور خلاصه به صورت زیر قابل ارائه هستند. نخست، همتای پایدار مسأله‌ی ALM را استخراج می‌کنیم که در آن عدم قطعیت‌های آتی با مجموعه‌های بیضوی بازنمایی می‌شوند. این مجموعه‌های عدم قطعیت را می‌توان به صورت طبیعی از مدل‌های عامل تصادفی برای متغیرهای غیر قطعی موجود در این مسأله تولید کرد. دوم، جنبه‌ی متغیر با زمان بازده‌های دارایی‌ها و نرخ‌های بهره‌ها را با ارائه‌ی یک موردکاوی معادل مدلسازی می‌کنیم که در آن بازده‌های دارایی‌ها و نرخ‌های بهره‌ها از یک فرایند بردار خود پیشرو (VAR) پیروی می‌کنند. سرانجام، برای مطالعه‌ی عملکرد مدل ALM پایدار چند آزمایش عددی را طراحی می‌کنیم و به عملکرد آن را با عملکرد یک راهبرد ALM دیگر که در عمل استفاده می‌شود (فرمول‌بندی برنامه‌نویسی تصادفی) مقایسه می‌کنیم (اساساً رویکرد خود را با رویکردهای برنامه‌نویسی تصادفی سنتی مقایسه می‌کنیم زیرا رویکردهای برنامه‌نویسی تصادفی در عمل بیشتر استفاده می‌شوند). بقیه‌ی این مقاله به صورت زیر سازماندهی شده است. در بخش 2، مدل ALM برای صندوق‌های بازنشستگی را ارائه می‌کنیم. یک مقدمه‌ی مختصر در مورد بهینه‌سازی پایدار نیز در بخش 3 ارائه می‌شود و فرمول‌بندی پایدار کلی مدل ALM برای صندوق‌های بازنشستگی در بخش 4 استخراج می‌شود. بخش 5 نمونه‌ای از این فرمول‌بندی پایدار را تحت فرضیات مشخص در مورد پویایی‌های بازده دارایی‌ها و نرخ‌های بهره ارائه می‌کند. آزمایش‌های محاسباتی با داده‌های واقعی بازار در بخش 6 ارائه می‌شوند. بخش 7 یافته‌های ما را به صورت خلاصه بیان می‌کند. نشان‌گذاری: در این مقاله، برای نشان دادن تصادفی بودن از علامت تیلد (* ̃) استفاده می‌کنیم؛ برای مثال، z ̃ نشان‌دهنده‌ی متغیر تصادفی z است. حالت برجسته نیز برای نشان دادن بردارها استفاده می‌شود؛ حالت برجسته و حروف بزرگ [انگلیسی] نیز برای نشان دادن ماتریس‌ها استفاده می‌شوند. برای مثال، a یک بردار و A یک ماتریس است.
پیش نمایش مقاله
پیش نمایش مقاله یک رویکرد بهینه‌سازی پایدار برای مدیریت دارایی - بدهی تحت فرصت‌های سرمایه‌گذاری متغیر با زمان

چکیده انگلیسی

This paper presents an asset liability management model based on robust optimization techniques. The model explicitly takes into consideration the time-varying aspect of investment opportunities. The emphasis of the proposed approach is on computational tractability and practical appeal. Computational studies with real market data study the performance of robust-optimization-based strategies, and compare it to the performance of the classical stochastic programming approach.

مقدمه انگلیسی

Asset-liability management (ALM) is one of the classical problems in financial risk management. Typically, ALM involves the management of assets in such a way as to earn adequate returns while maintaining a comfortable surplus of assets over existing and future liabilities. This problem is faced by a number of financial services companies, such as pension funds and insurance companies. As we will explain in more detail later, the problem of finding optimal ALM policies is computationally challenging, and many of the approaches for implementation described in the literature are too computationally intensive to implement in practice. In this paper, we propose and study the performance of a robust-optimization-based approach for handling the classical ALM problem. Our focus is on computational tractability and practical implementation. Analytical solutions for optimal dynamic investment strategies of the ALM type are available for some limited cases (see, for example, the classical papers of Samuelson, 1969 and Merton, 1969; or, more recently, Kim and Omberg, 1996 and Wachter, 2002). However, mostly numerical methods are used in practice. These numerical approaches fall into three broad categories. The first is dynamic programming—the state space is discretized and the optimal allocation strategy is found by backward induction (see, for example, Barberis, 2000 and Detemple and Rindisbacher, 2008). The second category is simulation-based approaches (see, for example, Brandt et al., 2005 and Boender, 1997). The third category, prevalent in the operations research and practitioner literature, is stochastic programming techniques (see Ferstl and Weissensteiner, 2011, Consiglio et al., 2006, Boender et al., 2005, Kouwenberg, 2001 and Ziemba and Mulvey, 1998, among others). The latter techniques usually focus on finding optimal investment rules over a set of scenarios for the future returns on the assets and the liabilities of the company. While such methods have been successfully applied in some instances (Gondzio and Kouwenberg, 2001, Consigli and Dempster, 1998, Consiglio et al., 2008 and Escudero et al., 2009), they are still difficult to use in practice for several reasons. First, ALM is inherently a multiperiod problem, and the number of scenarios needed to represent reality satisfactorily increases exponentially with the number of time periods under consideration. Thus, the dimension of the optimization problem, and correspondingly its computational difficulty, increases. Many of the papers that suggest scenario-based approaches for ALM adopt approximations to the state space or relaxations of the optimization problem to make the problem manageable in practice (see, for example, Bogentoft et al., 2001). Second, the scenario generation itself requires sophisticated statistical techniques, which is a deterrent to practitioners who need to make decisions in a short amount of time. Finally, often little is known about the specific distributions of future uncertainties in the ALM problem, and little data are available for estimating the probability distributions of these uncertainties. In many cases, it may be preferable to provide general information about the uncertainties, such as means, ranges, and deviations, rather than generating specific scenarios. This paper adopts a numerical approach, robust optimization, that can be classified in its own category, but has overlap with the dynamic programming and stochastic programming approaches. Specifically, robust optimization can be used to address the same type of problems as dynamic programming and stochastic programming do; however, it takes a worst-case approach to optimization formulations. (For detailed discussion of the relationships among the three numerical methods, see chapter 10 in Fabozzi et al., 2007.) This is not as restrictive as it sounds at first. The robust optimization approach solves an optimization problem assuming that the uncertain input data belong to an uncertainty set, and finds the optimal solution if the uncertainties take their worst-case values within that uncertainty set. As we will explain in more detail in Section 3, the shape and the size of the uncertainty set can be used to vary the degree of conservativeness of the solution and to represent an investor’s risk preferences. In industry, robust optimization has been used only in asset management, and primarily to incorporate the uncertainty introduced by estimation errors into the mean–variance portfolio allocation framework. For example, Goldfarb and Iyengar (2003) consider robust mean–variance portfolio allocation strategies under various ellipsoidal and interval uncertainty sets for the input parameters (means and covariance matrices) derived from regression analysis. Ceria and Stubbs (2006) introduce the zero-net alpha-adjustment robust framework to reduce the conservativeness of robust mean–variance strategies under ellipsoidal uncertainty sets for the input parameters. Robust investment strategies in a multiperiod setting have been studied by Ben-Tal et al. (2000) and Bertsimas and Pachamanova, 2008. Given the fact that ALM is concerned with ensuring a level of minimum guaranteed performance to meet future liabilities, robust-optimization-based strategies that place special emphasis on the worst-case realizations of uncertainties are particularly appealing in the ALM context. We propose a tractable robust approach to ALM for pension funds. Our contributions can be briefly summarized as follows. First, we derive the robust counterpart of the ALM problem when future uncertainties are represented by ellipsoidal sets. These uncertainty sets can be naturally generated from statistical factor models for the uncertain variables in the problem. Second, we model the time-varying aspect of asset returns and interest rates by presenting a case study of the robust counterpart when asset returns and interest rates follow a vector-autoregressive (VAR) process. Finally, we design numerical experiments to study the performance of the robust ALM model, and benchmark it against the performance of another ALM strategy used in practice, a stochastic programming formulation. (We are primarily concerned with benchmarking our approach against traditional stochastic programming approaches since stochastic programming approaches are most widely used in practice.) The rest of this paper is organized as follows. In Section 2, we present the ALM model for pension funds. A brief primer on robust optimization is given in Section 3, and a general robust formulation of the ALM model for pension funds is derived in Section 4. Section 5 presents an example of the robust formulation under specific assumptions on the dynamics of asset returns and interest rates. Computational experiments with real market data are presented in Section 6. Section 7 summarizes our findings. Notation: In the paper, we use tilde View the MathML source(∗˜) to denote randomness; e.g., View the MathML sourcez˜ denotes random variable z. Boldface is used to denote vectors; boldface and capital letters are used to denote matrices. For example, a is a vector and A is a matrix.

نتیجه گیری انگلیسی

This article presented a robust optimization approach to the ALM pension fund problem, and explicitly presented a formulation that allows for incorporating considerations of time-varying investment opportunities that can be modeled with a VAR process. As the computational results in Section 6 illustrated, there are advantages to using the robust optimization approach to ALM. Specifically, the robust optimization approach appears to reduce variability in general, and results in smaller transaction costs. Whether or not the approach should be applied in practice depends on the specific circumstances and the accuracy of available data.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.