mohammadmaso.ir
صندوق پوشش ریسک الگوریتمی چیست؟
صندوق پوشش ریسک
صندوق های پوشش ریسک از دهه ۱۹۵۰ در بازارهای مالی جهانی شروع به فعالیت کردند. در آغاز فعالیت این صندوق ها، هدف آنها پوشش ریسک سرمایه گذاری در بازارهای نزولی بود. اما با گذشت زمان و با توجه به نوع خاص فعالیت این صندوق ها، در مدت کوتاهی توانستد سرمایه های بسیار بالایی را جذب کنند. بدینگونه، امروزه حضور صندوق های پوشش ریسک در دنیا بسیار چشمگیر است.
صندوق های پوشش ریسک نهادهای مالی از جمله شرکتهای سرمایه گذاری یا مدیریت سرمایه هستند که سرمایه گذاران خاصی با سرمایههای بسیار بالا را جذب میکنند. مدیریت این صندوق ها، سرمایههای جمع آوری شده را در ابزارهای گوناگونی سرمایه گذاری میکنند و در ازای سود کسب شده، حق مدیریت و پاداش دریافت میکنند. مدیران صندوق های پوشش ریسک بسیار حرفهای هستند و از تکنیکهای ریاضی، استراتژیهای معاملاتی پیشرفته، روشهای پیچیده و سفتهبازی جهت تحلیل و سرمایه گذاری استفاده میکنند.
با توجه به این که این صندوق ها، ابزارها و دارایی های مالی پرریسک و متنوعی را مد نظر قرار میدهند، بازدهی کسب شده در این صندوق ها نیز نسبت به سایر اوراق بهادار و صندوق ها بسیار بیشتر است. شاید بتوان گفت که اولین هدف این صندوق ها، تلاش برای کاهش ریسک است اما هدف اصلی همه صندوق های پوشش ریسک، کسب بیشترین سود برای سرمایه گذاران هم در شرایط رونق و رشد بازار و هم در شرایط رکود است.
تفاوت صندوق پوشش ریسک با صندوقهای دیگر
به طور معمول صندوقهای پوشش ریسک برخلاف صندوقهای دیگر توسط نهادها تضمین نمیشوند.
سرمایه گذاران صندوق پوشش ریسک باید اعتبارات خاصی را داشته باشند. (مثل مقدار معینی از نقدینگی سیال)
بسیاری از صندقهای معمول از استراتژی خرید یک طرفه استفاده میکنند و معاملات فروش در آنها جایی ندارد.( البته در بازار ایران این مساله موضوعیت ندارد.)
ساختار درآمدی صندوقهای پوشش ریسک
صندوقهای پوشش ریسک هم هزینههای مدیریتی هم هزینههای بهرهوری صندوق را از کاربر دریافت میکند. کارمزد مدیریتی ۱ الی ۲ درصد از سرمایه تحت مدیریت و کارمزد بهرهوری نزدیک به ۲۰ درصد از سود ساخته شده میباشد. مشخصه اصلی صندوقهای پوشش ریسک همان کارمزد بهرهوری آنها است و همین مساله برای مدیران صندوق یک عامل انگیزشی برای ساختن سود بیشتر است. این در حالی است که صندوقهای سرمایهگذاری تنها کارمزد مدیریتی را از سرمایه گذار دریافت میکنند.
صندوق پوشش ریسک کمی چیست؟
صندوق پوشش ریسک کمی صندوقهایی هستند که برای پیاده سازی تصمیمهای معاملاتی وابسته به الگوریتمها و استراتژیهای سیستمی میباشند. صندوقهای کمی میتوانند بر روی انواع گوناگون سبدها (سهام، مشتقات، درآمد ثابت، فارکس و کومودیتیها) اقدام به سرمایه گذاری کنند آنهم با استفاده از تصمیمهای کامپیوتر نه دخالت مستقیم. به عبارت دیگر سیستمهای معاملاتی الگوریتم محور، قوانین معامله اتوماتیک را به جای معاملهگران سنتی به کار میگیرد. البته هر دو رویکرد میتوانند با هم ادغام شوند ولی تقریبا تمامی صندوقهای پوشش ریسک در درجه اول، یا الگوریتمی عمل میکنند یا غیر الگوریتمی.
در ادامه بحث از صندوق غیر الگوریتمی با نام صندوق پوشش ریسک بنیادی یاد میکنیم. در حقیقت منظور ما از این نامگذاری این است که سبک سرمایه گذاری این صندوقها بر اساس مشاهدات بنیادیای است که تلاش میکنند پیشبینی کنند که اوراق بهادار بالای ارزش واقعی خود معامله میشود یا زیر قیمت ارزش واقعی.
لازم به ذکر است که هم صندوقهای بنیادی هم صندوقهای کمی از اطلاعات بنیادی استفاده میکنند، اطلاعاتی از قبیل دادههای اقتصادی، دادههای حسابداری و مالی و اطلاعاتی دیگر از قبیل دادههای آماری، دادههای دولتی و دادههای عرضه و تقاضا در صنعت. اما تفاوت اصلی آنالیز کمی به نوع استفاده از این دادهها برمیگردد. آنالیزهای کمی بالغ ده یا حتی صد نوع از داده را به کار میگیرد تا یک خروجی بگیرد (قاعدهای برای خرید و یا فروش یک سبد دارایی)؛ این دادهها سپس برای شناخت موقعیتهای معاملاتی استفاده میشوند. این اطلاعات از سریهای زمانی(مثلا دادهی ده ساله بازده بر اساس زمان یا رشد اقتصادی) یا دادههای مقطعی(مثلا نرخ P/E یک شرکت یا صنعت) استخراج میشوند.
همچنین صندوق های کمی به ندرت از آنالیزهای کلان، مثل سیاستهای پولی و تاثیری که بر بازار دارد، استفاده میکند. برای آنالیز کمی دادهها باید بصورت دقیق قابل اندازه گیری باشند بنابراین داده های کیفی به طور مستقیم در آنالیز کمی جایی ندارد.
مدلهای معاملات الگوریتمی
صندوقهای کمی مدلهای ریاضیاتی پیچیدهای را برای پیشبینی فرصتهیا معاملاتی توسعه می دهند، معمولا به این فرم که در کدام سبد دارایی بازده خوبی پیشبینی میشود و باید معامله خرید در آن انجام شود و در کدام سبد دارایی بازده منفی پیشبینی میشود و باید در آن معامله فروش انجام شود. همانطور که قدرت محاسباتی کامپیوترها در دهه های گذشته افزایش چشمگیری داشته تکنیکهای مدل سازیهای پیشرفتهتر هم برای مدلهای مالی ایجاد شده است، مثل بهینهسازی، مدلهای پیشگو، شبکههای عصبی و شکلهای دیگری از الگوریتمهای یادگیری ماشین(یادگیری ماشینی از دادههای پیشین برای پیش بینی اتفاقات آینده).
مدلسازی مبتنی بر عوامل (Factor-Based Modeling) یکی از راهبرد کلاسیک مدلسازی صندوقهای کمی است. در این مدل عوامل پیشبینی کننده( متغیرهای مستقل) مثل P/E یا نرخ تورم یا نرخ بیکاری برای پیشبینی متغیرهای دیگر موردنظر(متغیرهای مستقل) مثل تغییر قیمت سهام استفاده میشوند. مدلهای عاملی میتوانند هم از عوامل از قبل اندازهگیری شده مثل شاخصها استفاده کنند هم میتوانند از متغیرهایی استفاده کنند که توصیف صریحی ندارند و پس از محاسبات ریاضی به دست میآیند مثل Principal Component Analysis (PCA).
به طور کلی یک مدل تلاش میکند مقدار بازده R را بر پایه F یا همان فاکتورها طیق فرمول زیر پیشبینی کند:
Rit = α + βiλ + βiFt + σiεit
که در آن Rit که نماگر سود انباشه سبد I در زمان t میباشد و F، فاکتور استفاده شده با میانگین صفر و انحراف معیار σ^2F میباشد.
واضح است که یک مدل میتواند چند فاکتور برای پیش بینی سود داشته باشد.
فاکتورهای یک مدل می توانند چیزهای مختلفی مثل جریان نقدینگی، نسبت فروش به قیمت، P/E و یا هر نماگر بنیادی یا تکنیکی دیگری باشند. برای صندوقهای درآمد ثابت فاکتورها بیشتر وابسته به نماگرهای کلان اقتصادی هستند.
مدل ها میتوانند بر اساس معیارهایی خاص به زیرگروههایی تقسیم شوند یا میتوانند فاکتورهایی حاصل از رابطه بین چند فاکتور مختلف (F1*F2) داشته باشند. یا حتی متغیرهایی ساختگی( مثلا D1 میتواند متغیری ساختگی باشد در صورتی که حجم یک شرکت بزرگتر از مقدار خاصی باشد.) همچنین نیازی به خطی بودن فاکتورها نداریم. متغیرها با درجات بالاتر هم میتوانند کنار متغیرهای خطی مورد استفاده قرار گیرند.
به یاد داشته باشید که فاکتورهای مدلسازی هم در پیشبینیهای سود و هم در اهداف مدلسازی ریسک مورد استفاده قرار میگیرند.
همچنین این نکته باید مورد توجه باشد که مدلسازی پیش بینی سود یک سبد دارایی توسط راهبردهای الگوریتمی هم مانند دیگر راهبردها شامل ریسک میباشد. به طور مثال در به کاربردن دادههای تاریخی برای اندازه گیری رابطه بین فاکتورها و سود ممکن است این رابطه در ادامه برقرار نشود. این مساله همچنین در رابطههای غیر خطی هم برقرار است. همچنین موضاعات دیگری مثل نقص در دادههای گذشته هم میتواند پیشبینی را تحت تاثیر قرار دهد. برای همین راهبردهای کلاسیکی مثل راهبرد مبتنی بر فاکتور در وفق پذیری با شرایط جدید بازارها اندکی ناکارا به نظر میرسد. همانطور که سال ۲۰۰۸ در بسیاری از صندوقهای پوشش ریسک شاهد این اتفاق بودیم اتفاقی که باعث شد صندوقها معاملات باز خود را کاهش دهند و میزان ضرر انها به تبع این اتفاق زیاد شد و این اتفاق در آینده هم برای آنها مشکل ساز شد.
مطلبی دیگر از این انتشارات
اهمیت هوشمصنوعی و یادگیریماشین در معاملهگری و سرمایهگذاری
مطلبی دیگر از این انتشارات
پیشبینی بازار سهام با استفاده از توییتر؟!
مطلبی دیگر از این انتشارات
یادگیری ماشین برای معامله گری