انتخاب زبان

سرمایه‌گذاری بهینه برای یک بیمه‌گر در دو بازار ارزی: تحلیل کنترل تصادفی

تحلیل استراتژی سرمایه‌گذاری بهینه یک بیمه‌گر در بازارهای داخلی و خارجی با استفاده از کنترل تصادفی، معادلات HJB و بیشینه‌سازی مطلوبیت نمایی تحت ریسک نرخ ارز.
computecurrency.net | PDF Size: 0.3 MB
امتیاز: 4.5/5
★ ★ ★ ★ ★
امتیاز شما
شما قبلاً به این سند امتیاز داده اید
جلد سند PDF - سرمایه‌گذاری بهینه برای یک بیمه‌گر در دو بازار ارزی: تحلیل کنترل تصادفی
مشاهده سند PDF دانلود PDF ترجمه PDF
خانه » مستندات » سرمایه‌گذاری بهینه برای یک بیمه‌گر در دو بازار ارزی: تحلیل کنترل تصادفی

فهرست مطالب

1. مقدمه

این مقاله به شکاف مهمی در ادبیات مدیریت ریسک بیمه‌گری می‌پردازد: استراتژی سرمایه‌گذاری بهینه برای یک شرکت بیمه که در چندین بازار ارزی فعالیت می‌کند. مدل‌های سنتی اغلب بیمه‌گران را به حوزه تک‌ارزی محدود می‌کنند و واقعیت‌های مالی جهانی‌شده را نادیده می‌گیرند. نویسندگان، ژو و گو، مدل کلاسیک مازاد کرامر-لاندبرگ را به یک محیط دو ارزی گسترش می‌دهند و پویایی‌های تصادفی نرخ ارز خارجی (FX) را که با یک فرآیند اورنشتاین-اولنبک (OU) مدل‌سازی شده است، در نظر می‌گیرند. هدف اصلی بیشینه‌سازی مطلوبیت نمایی مورد انتظار از ثروت نهایی بیمه‌گر است که یک معیار رایج ریسک‌گریز در امور مالی است.

2. چارچوب مدل

2.1 فرآیند مازاد

فرآیند مازاد بیمه‌گر $R(t)$ با استفاده از تقریب انتشار مدل کلاسیک کرامر-لاندبرگ مدل‌سازی می‌شود: $$dR(t) = c dt - d\left(\sum_{i=1}^{N(t)} Y_i\right) \approx \mu dt + \sigma_R dW_R(t)$$ که در آن $c$ نرخ حق بیمه، $\mu$ رانش و $\sigma_R$ نمایانگر نوسان از فرآیند خسارت است که با یک حرکت براونی $W_R(t)$ تقریب زده می‌شود.

2.2 دارایی‌های سرمایه‌گذاری

بیمه‌گر ثروت خود را بین موارد زیر تخصیص می‌دهد:

  1. یک دارایی بدون ریسک داخلی (مانند اوراق قرضه دولتی) با نرخ بهره ثابت $r_d$.
  2. یک دارایی ریسکی خارجی (مانند شاخص سهام خارجی) با یک فرآیند بازده تصادفی. بازده به ارز خارجی به عنوان یک حرکت براونی هندسی مدل‌سازی می‌شود.
متغیر کلیدی، نسبت ثروت $\pi(t)$ سرمایه‌گذاری شده در دارایی ریسکی خارجی است.

2.3 پویایی نرخ ارز خارجی

یک نوآوری مرکزی، مدل‌سازی نرخ ارز $S(t)$ (واحد پول داخلی به ازای هر واحد ارز خارجی) است. نرخ رشد میانگین لحظه‌ای آن $\theta(t)$ از یک فرآیند اورنشتاین-اولنبک پیروی می‌کند: $$d\theta(t) = \kappa(\bar{\theta} - \theta(t))dt + \sigma_\theta dW_\theta(t)$$ $$dS(t) = S(t)[\theta(t)dt + \sigma_S dW_S(t)]$$ که در آن $\kappa$ سرعت بازگشت به میانگین، $\bar{\theta}$ میانگین بلندمدت و $W_\theta(t)$، $W_S(t)$ حرکت‌های براونی همبسته هستند. این امر واقعیت سبک‌شده‌ای را ثبت می‌کند که نرخ‌های ارز بازگشت به میانگین و رانش تصادفی را نشان می‌دهند و تحت تأثیر عواملی مانند تفاوت تورم و شکاف نرخ بهره قرار می‌گیرند.

3. مسئله بهینه‌سازی

3.1 تابع هدف

بیمه‌گر هدف دارد مطلوبیت نمایی مورد انتظار ثروت نهایی $X(T)$ در زمان $T$ را بیشینه کند: $$\sup_{\pi(\cdot)} \mathbb{E}\left[ -\frac{1}{\gamma} e^{-\gamma X(T)} \right]$$ که در آن $\gamma > 0$ ضریب ثابت بیزاری مطلق از ریسک است. فرآیند ثروت $X(t)$ بر اساس مازاد، بازده سرمایه‌گذاری و تبدیل‌های ارزی تکامل می‌یابد.

3.2 معادله همیلتون-ژاکوبی-بل

با استفاده از برنامه‌ریزی پویا، تابع ارزش $V(t, x, \theta)$ به عنوان سوپریمم مطلوبیت مورد انتظار از زمان $t$ با ثروت $x$ و رانش ارز $\theta$ تعریف می‌شود. معادله HJB مرتبط یک معادله دیفرانسیل جزئی (PDE) غیرخطی است: $$\sup_{\pi} \left\{ V_t + \mathcal{L}^{\pi} V \right\} = 0$$ با شرط پایانی $V(T, x, \theta) = -\frac{1}{\gamma}e^{-\gamma x}$. در اینجا، $\mathcal{L}^{\pi}$ مولد بینهایت کوچک فرآیند ثروت کنترل‌شده است که شامل عباراتی از مازاد، بازده دارایی و پویایی ارز می‌شود.

4. حل تحلیلی

4.1 استراتژی‌های سرمایه‌گذاری بهینه

نویسندگان استراتژی سرمایه‌گذاری بهینه $\pi^*(t)$ را به شکل فیدبک استخراج می‌کنند. این تابعی از متغیرهای حالت فعلی، به ویژه رانش تصادفی ارز $\theta(t)$ و بیزاری از ریسک $\gamma$ است. $$\pi^*(t) = \frac{1}{\gamma \sigma_S^2} \left( \theta(t) - r_d + r_f + \rho_{S\theta}\sigma_S\sigma_\theta \frac{V_\theta}{V_x} \right)$$ که در آن $r_f$ نرخ بدون ریسک خارجی، $\rho_{S\theta}$ همبستگی بین قیمت ارز و رانش آن، و $V_x$، $V_\theta$ مشتقات جزئی تابع ارزش هستند. استراتژی شامل یک جزء نزدیک‌بینانه (عبارت اول) و یک جزء پوشش ریسک (عبارت دوم) در برابر نوسانات رانش ارز است.

4.2 تابع ارزش

از طریق یک روش حدسی رایج در مسائل مطلوبیت نمایی، حدس زده می‌شود که تابع ارزش شکلی قابل تفکیک داشته باشد: $$V(t, x, \theta) = -\frac{1}{\gamma}\exp\left\{-\gamma x e^{r_d (T-t)} + A(t) + B(t)\theta + \frac{1}{2}C(t)\theta^2 \right\}$$ جایگزینی این در معادله HJB، PDE را به یک سیستم معادلات دیفرانسیل معمولی (ODEs) برای توابع $A(t)$، $B(t)$ و $C(t)$ کاهش می‌دهد که می‌توان به صورت عددی یا در موارد خاص، تحلیلی حل کرد.

5. تحلیل عددی

مقاله یک تحلیل عددی را برای نشان دادن ویژگی‌های استراتژی بهینه ارائه می‌دهد. پارامترهای کلیدی با مقادیر واقعی کالیبره می‌شوند: $\gamma=2$، $r_d=0.03$، $r_f=0.01$، $\kappa=0.5$، $\bar{\theta}=0.02$، $\sigma_S=0.15$، $\sigma_\theta=0.05$. تحلیل احتمالاً موارد زیر را نشان می‌دهد:

  1. حساسیت به رانش ارز ($\theta$): با افزایش $\theta(t)$ (انتظار افزایش ارزش ارز خارجی)، تخصیص بهینه $\pi^*(t)$ به دارایی ریسکی خارجی افزایش می‌یابد.
  2. تأثیر بیزاری از ریسک ($\gamma$): $\gamma$ بالاتر منجر به یک استراتژی محافظه‌کارانه‌تر می‌شود و بزرگی $\pi^*(t)$ را کاهش می‌دهد.
  3. اثر بازگشت به میانگین ($\kappa$): $\kappa$ بالاتر (بازگشت سریع‌تر به میانگین) جزء تقاضای پوشش ریسک را کاهش می‌دهد، زیرا انتظار می‌رود انحرافات $\theta(t)$ از میانگین آن کوتاه‌مدت باشد.

6. بینش‌های کلیدی

7. بینش تحلیلی محوری

بینش محوری: این مقاله فقط یک تمرین ریاضی نیست؛ بلکه یک ردیه رسمی بر مدیریت دارایی-بدهی (ALM) تک‌ارزی نزدیک‌بینانه است که هنوز در بسیاری از بیمه‌گران رایج است. با ادغام دقیق یک رانش تصادفی ارز با بازگشت به میانگین، ژو و گو ریسک مدل قابل توجهی را که در فرض روندهای ارزی ثابت یا قطعی نهفته است، آشکار می‌کنند. کار آن‌ها نشان می‌دهد که نادیده گرفتن ماهیت متغیر با زمان مبانی ارز (مانند تفاوت تورم، که مقاله به درستی بر آن تأکید می‌کند) منجر به تخصیص سرمایه زیربهینه و ریسک دنباله دست‌کم‌گرفته‌شده می‌شود.

جریان منطقی: منطق ظریفی دارد: (1) با یک مدل مازاد بیمه‌گری قوی (انتشار کرامر-لاندبرگ) شروع کنید. (2) با افزودن یک دارایی خارجی، واقعیت سرمایه‌گذاری جهانی را تصدیق کنید. (3) به طور حیاتی، حرکت براونی هندسی ساده‌انگارانه برای ارز را رد کنید و یک فرآیند OU منطقی از نظر مالی را برای رانش آن اتخاذ کنید. (4) ماشین کنترل تصادفی (HJB) را برای استخراج قانون فیدبک بهینه اعمال کنید. این زنجیره قوی است، اما ضعیف‌ترین حلقه آن تقریب انتشار خسارت‌ها است که ریسک پرش—یک ریسک بیمه‌گری محوری—را هموار می‌کند.

نقاط قوت و ضعف: نقاط قوت: نقطه قوت اصلی مدل قابل مدیریت بودن آن است که منجر به بینش‌های فرم‌بسته می‌شود. نتیجه جداسازی برای ارتباط با مدیران غیرکمی قدرتمند است. گنجاندن یک رانش تصادفی ارز گامی معنادار فراتر از مدل‌هایی مانند براون (1995) یا وانگ (2007) است. ارتباط با مبانی اقتصادی (تورم، تراز پرداخت‌ها) در مقدمه، ریاضیات را در واقعیت مستقر می‌کند. نقاط ضعف: فیل در اتاق فرض تقریب انتشار کاملاً همبسته برای خسارت‌های بیمه‌ای است. این امر همان ریسک پرش/ورشکستگی را که بیمه‌گران برای مدیریت آن وجود دارند، بی‌اثر می‌کند، همانطور که در متون پایه‌ای مانند اسموسن و آلبرچر (2010) ذکر شده است. مدل همچنین معامله بدون اصطکاک و بدون محدودیت (مانند محدودیت‌های فروش استقراضی رایج برای بیمه‌گران) را فرض می‌کند که کاربرد عملی فوری را محدود می‌کند. در مقایسه با رویکردهای مبتنی بر یادگیری ماشین برای پیش‌بینی ارز که در ادبیات فین‌تک اخیر دیده می‌شود (مانند استفاده از LSTMs یا Transformers)، فرآیند OU، اگرچه ظریف است، ممکن است برای ثبت رفتارهای پیچیده تغییر رژیم بیش از حد ساده‌انگارانه باشد.

بینش‌های قابل اجرا: 1. برای مدیران مالی و مدیران ارشد ریسک بیمه‌گران: از مدل‌های ALM خود بخواهید که صرف ریسک ارزی تصادفی را در نظر بگیرند، نه فقط نرخ‌های لحظه‌ای پرنوسان. این مقاله نقشه راه را ارائه می‌دهد. 2. برای تحلیل‌گران کمی: از این چارچوب به عنوان یک معیار استفاده کنید. گام بعدی تعبیه ایده اصلی—پوشش ریسک رانش تصادفی ارز—در تنظیمات واقعی‌تر است: با مازاد پرش-انتشار (به سبک یانگ و ژانگ (2005))، تحت محدودیت‌های نظارتی (سلونسی II / ICS)، یا با چندین ارز خارجی همبسته. 3. برای فروشندگان نرم‌افزار: نیاز به تخمین حالت نهفته $\theta(t)$ در زمان واقعی، یک مورد تجاری مستقیم برای ادغام ماژول‌های فیلترینگ کالمن یا فیلترینگ ذره‌ای در سیستم‌های خزانه‌داری و مدیریت ریسک است. در اصل، این مقاله یک ارتقاء نظری حیاتی ارائه می‌دهد. اکنون بار بر دوش صنعت است که بینش‌های آن را در چارچوب‌های قوی‌تر، پیشرفته‌تر از نظر محاسباتی و تنظیم‌شده پیاده‌سازی کند.

8. جزئیات فنی و چارچوب ریاضی

پویایی کامل فرآیند ثروت کنترل‌شده به شرح زیر است: $$dX(t) = [X(t)r_d + \pi(t)X(t)(\theta(t) + \alpha - r_d) + \mu]dt + \pi(t)X(t)\sigma_S dW_S(t) + \sigma_R dW_R(t)$$ که در آن $\alpha$ بازده اضافی دارایی ریسکی خارجی به ارز محلی آن است. ساختار همبستگی بین حرکت‌های براونی $(W_R, W_S, W_\theta)$ حیاتی است. معمولاً ممکن است فرض شود $W_R$ مستقل از $(W_S, W_\theta)$ است، در حالی که $dW_S(t)dW_\theta(t) = \rho_{S\theta}dt$.

معادله HJB به صورت زیر می‌شود: $$0 = \sup_{\pi} \{ V_t + [x r_d + \pi x (\theta + \alpha - r_d) + \mu]V_x + \kappa(\bar{\theta}-\theta)V_\theta + \frac{1}{2}(\pi^2 x^2 \sigma_S^2 + \sigma_R^2)V_{xx} + \frac{1}{2}\sigma_\theta^2 V_{\theta\theta} + \pi x \rho_{S\theta}\sigma_S\sigma_\theta V_{x\theta} \}$$ شرط مرتبه اول برای سوپریمم، عبارت $\pi^*$ ارائه شده در بخش 4.1 را به دست می‌دهد.

9. نتایج آزمایشی و توصیف نمودار

در حالی که گزیده PDF ارائه شده شامل شکل‌های خاصی نیست، یک تحلیل عددی استاندارد برای این مدل احتمالاً شامل نمودارهای زیر خواهد بود:

  1. تخصیص بهینه در مقابل رانش ارز ($\theta$): یک خط یا منحنی با شیب مثبت که نشان می‌دهد $\pi^*$ با $\theta(t)$ افزایش می‌یابد. خطوط مختلف سطوح مختلف بیزاری از ریسک ($\gamma$) را نشان می‌دهند، با شیب‌های تندتر برای $\gamma$ پایین‌تر.
  2. شبیه‌سازی مسیر پویا: یک نمودار چندپانلی که مسیرهای شبیه‌سازی شده در طول زمان را برای موارد زیر نشان می‌دهد:
    • فرآیند OU $\theta(t)$ که حول $\bar{\theta}$ بازگشت به میانگین دارد.
    • نسبت سرمایه‌گذاری بهینه متناظر $\pi^*(t)$ که به تغییرات $\theta(t)$ واکنش نشان می‌دهد.
    • مسیر ثروت حاصل بیمه‌گر $X(t)$ در مقایسه با یک معیار (مانند استراتژی سرمایه‌گذاری فقط داخلی).
  3. حساسیت به سرعت بازگشت به میانگین ($\kappa$): نموداری که نشان می‌دهد نوسان یا محدوده $\pi^*(t)$ با افزایش $\kappa$ کاهش می‌یابد، زیرا انگیزه پوشش ریسک در برابر تغییرات $\theta$ کاهش می‌یابد.

نکته کلیدی حاصل از چنین نمودارهایی، ماهیت فعال و وابسته به حالت استراتژی است، در مقابل یک تخصیص دارایی استراتژیک ایستا.

10. چارچوب تحلیل: یک مطالعه موردی ساده‌شده

سناریو: یک بیمه‌گر غیرزندگی ژاپنی با رانش مازاد ($\mu$) 5 میلیارد ین در سال و نوسان ($\sigma_R$) 2 میلیارد ین. این شرکت در نظر دارد در صندوق‌های قابل معامله در بورس (ETF) سهام آمریکا (دارایی ریسکی خارجی) سرمایه‌گذاری کند.

فرضیات پارامتر (نمایشی):

کاربرد چارچوب:

  1. تخمین حالت: خزانه بیمه‌گر از یک فیلتر کالمن بر روی داده‌های اخیر دلار/ین برای تخمین $\theta(t)$ فعلی به عنوان -1% استفاده می‌کند.
  2. محاسبه تقاضای نزدیک‌بینانه: $(\theta + \alpha - r_d) / (\gamma \sigma_S^2) = (-0.01 + 0.04 - 0.001) / (1.5 * 0.12^2) \approx 0.029 / 0.0216 \approx 1.34$. این نشان‌دهنده تخصیص 134% بر اساس ریسک-بازده فوری است.
  3. تنظیم برای تقاضای پوشش ریسک: جزء پوشش ریسک (شامل $V_\theta/V_x$) احتمالاً زمانی که $\theta$ زیر میانگین بلندمدت آن است (اگر $\bar{\theta}$ مثلاً 0% باشد)، منفی خواهد بود و تخصیص نهایی را کاهش می‌دهد. فرض کنید تخصیص را 0.5 کاهش می‌دهد.
  4. استراتژی نهایی: $\pi^* \approx 1.34 - 0.5 = 0.84$. مدل پیشنهاد می‌کند 84% از ثروت قابل سرمایه‌گذاری در ETF سهام آمریکا سرمایه‌گذاری شود، یک موقعیت اهرمی قابل توجه که دیدگاه ارزی تقویت ین را در نظر می‌گیرد.
این مورد برجسته می‌کند که چگونه مدل به طور پویا برای دیدگاه‌های ارزی تنظیم می‌شود، برخلاف یک سبد 60/40 ایستا.

11. چشم‌انداز کاربرد و جهت‌های آتی

کاربردهای فوری:

جهت‌های تحقیقاتی آتی:

  1. گنجاندن پرش‌ها و احتمال ورشکستگی: مهم‌ترین گسترش، ادغام این چارچوب با یک فرآیند مازاد پرش-انتشار یا پرش خالص برای مطالعه تأثیر بر سرمایه‌گذاری بهینه و کاهش احتمال ورشکستگی است، که یک هدف مهم بیمه‌گر است.
  2. محدودیت‌های نظارتی: اعمال محدودیت‌هایی مانند عدم فروش استقراضی ($0 \le \pi(t) \le 1$)، محدودیت‌های اهرم، یا محدودیت‌های هزینه سرمایه سلونسی II، مدل را کاربردی‌تر می‌کند. این منجر به نابرابری‌های تغییراتی و مسائل مرز آزاد می‌شود.
  3. یادگیری ماشین برای تخمین حالت: جایگزینی فرآیند OU با یک فرآیند رانش یادگرفته شده از طریق شبکه‌های عصبی بازگشتی (RNNs) از داده‌های اقتصادی با فرکانس بالا می‌تواند وابستگی‌های پیچیده‌تری را ثبت کند.
  4. چندین ارز و دارایی: گسترش مدل به یک سبد از $n$ ارز خارجی و $m$ دارایی ریسکی، منجر به یک معادله HJB با ابعاد بالا می‌شود که شاید از طریق روش‌های یادگیری تقویتی عمیق قابل حل باشد، همانطور که در ادبیات اخیر برای بهینه‌سازی سبد بررسی شده است.
  5. اعتبارسنجی تجربی: یک مطالعه جامع آزمون گذشته‌نگر که عملکرد این استراتژی را در مقایسه با معیارهای استاندارد برای گروهی از بیمه‌گران جهانی در طول 20 سال گذشته مقایسه می‌کند.

12. مراجع

  1. Browne, S. (1995). Optimal Investment Policies for a Firm with a Random Risk Process: Exponential Utility and Minimizing the Probability of Ruin. Mathematics of Operations Research, 20(4), 937-958.
  2. Yang, H., & Zhang, L. (2005). Optimal Investment for Insurer with Jump-Diffusion Risk Process. Insurance: Mathematics and Economics, 37(3), 615-634.
  3. Schmidli, H. (2002). On Minimizing the Ruin Probability by Investment and Reinsurance. The Annals of Applied Probability, 12(3), 890-907.
  4. Asmussen, S., & Albrecher, H. (2010). Ruin Probabilities (2nd ed.). World Scientific.
  5. Wang, N. (2007). Optimal Investment for an Insurer with Exponential Utility Preference. Insurance: Mathematics and Economics, 40(1), 77-84.
  6. Bai, L., & Guo, J. (2008). Optimal Proportional Reinsurance and Investment with Multiple Risky Assets. Insurance: Mathematics and Economics, 42(3), 968-975.
  7. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. (به عنوان نمونه‌ای از روشولوژی ML پیشرفته قابل اعمال به گسترش‌های آتی).
  8. Bank for International Settlements (BIS). (2023). Triennial Central Bank Survey of Foreign Exchange and Over-the-counter (OTC) Derivatives Markets. (منبع معتبر در مورد ساختار بازار ارز).