مقاله درباره بازارهای مالی، عدم تقارن اطلاعات، نهادهای مالی، ارزیابی ریسک

دانلود پایان نامه ارشد

پذيرهنويسي شده دست خواهد يافت که به ضرر طرف ديگر يعني سرمايهگذار خواهد بود. در واقع ريسکها اکنون به سرمايهگذاران (دارندگان نهايي27 وامهاي تجمیع شده) بر
ميگردند نه به وامدهندگان (مالک اولیه وامها).
از طرف ديگر، بدتر آنکه براي سرمايهگذار در بازار ثانويه، مشاهده کامل تلاش اعمال شده توسط باني در اعمال استانداردهاي پذيرهنويسي نسبت به متقاضيان وامها، در عمل غيرممکن يا حتی در صورت امکان ميتواند بسيار پرهزينه باشد. در واقع باني که نخستين بار وامها را ايجاد کرده، اطلاعات بيشتر و بهتري راجع به وامهاي پذيرهنويسي شده، نسبت به سرمايهگذاران، دارد.

1-3- اهميت و ضرورت انجام پژوهش
اعتقاد بر آن است که عامل اصلي بحران مالي سالهاي 2010-2007، اوراق بهادارسازي داراييها بالأخص اوراق بهادارسازي وامهاي رهني MBS، ميباشد. در ادبيات اوراق بهادار MBS، وجود مشکل مخاطره اخلاقي به علت ويژگيهاي خاص فرآيند اوراق بهادارسازي مطرح و مورد بحث و بررسي قرار گرفته است. به عبارت ديگر، بحران مالي اخير لزوم کاهش مشکل اطلاعاتي مخاطره اخلاقي در معاملات اوراق بهادارسازي را براي مشارکت کنندگان در اين بازارها گوشزد مينمايد.
به طور کلي، منافع حاصل از اوراق بهادارسازي ميتواند در صورت داشتن يک طراحي بهينه از آن، هزينههايش را به خوبي پوشش دهد. آنچه در فرآيند اوراق بهادارسازي اهميت دارد ميزان توانايي داراييها (وثیقه این اوراق) در ايجاد جريان نقدي است اما وجود مشکلات اطلاعاتي بين بازيگران که در ذات اين فرآيند قرار دارد ميتواند منافع مالکان نهایی تجمیع وامها یعنی سرمايهگذاران را بشدت متأثر سازد.
در بازار رهن ثانویه، سرمایهگذاران خصوصی در ارزیابی ریسکهای پیچیدهای که همبسته با تجمیع رهنها هستند، خیلی موفق نمیباشد. بر خلاف سهام که از طریق ویژگی موقعیت اولین خسارت28 در ساختارهای سرمایه شرکتها، میزان ریسکی بودنشان را اعلان میکنند، اوراق بهادارسازی رهن به سرمایهگذاران سلامت وام دادن ایمن را با ضمانت چیزی به ظاهر وثیقه، وعده میدهند؛ به عبارت دیگر، با این ساختار از اوراق بهادار MBS، پرداختهای دورهای سود و اصل پول بدون ارتباط با ریسک-های ممکن به سرمایهگذار تضمین میشود. از سوی دیگر، رقابت در فعالیت اوراق بهادارسازی که در میان نهادهای مالی خصوصی انجام میگیرد، سطوح ریسک بالاتری را نسبت به آنچه سرمایهگذاران
پیشبینی میکنند، انتقال میدهد. از اين رو کنترل شفافيت جريان اطلاعات درباره اعمال استانداردهاي پذيرهنويسي، توسط سرمايهگذاران که تنها متحملين ريسک اعتباري داراييهاي پايه (تجمیع وامها) اوراق بهادار با پشتوانه رهن محسوب ميشوند نيازمند بررسي و تحليل بيشتري است.
در واقع، خريداران عقلايي اوراق بهادار MBS در بازارهای مالی، همواره اين مشکل مخاطره اخلاقي را تشخيص ميدهند و جهت کاهش بخشيدن به آن لازم است گامهايي را بردارند.

1-4- فرضيات و سؤالات اساسي تحقيق
يک طراحي بهينه از اوراق بهادارسازي، ميتواند به باني براي اعمال استانداردهاي پذيرهنويسي بالا به قرضگيرندگان، انگيزه دهد.
يک طراحي بهينه از اوراق بهادارسازي، ميتواند باني را براي فروش وامها و حذف آنها از ترازنامه تشويق نمايد.

1-5- اهداف تحقيق
به علت ويژگي برونترازنامهاي بودن فرآيند اوراق بهادارسازي، عدم تقارن اطلاعات ميان باني و سرمايهگذار و هزينهبر بودن عمل غربال کردن متقاضيان وام، انگيزه باني براي اعمال استانداردهاي پذيرهنويسي، کاهش مييابد. بنابراين، امکان ندارد که باني در جهت منافع سرمايهگذاران که در انتهاي زنجيره اوراق بهادارسازي قرار دارند، عمل نمايد و مسأله تضاد منافع29 و در نهايت مخاطره اخلاقي در رفتار پنهاني30 باني، بوجود ميآيد و باني در انجام وظايفي که در قرارداد متعهد به انجامشان شده است شانه خالي ميکند زيرا ميتواند از اطلاعات برتر خود استفاده نموده و رفتارش را در جهتي که به نفع خويش است، تغيير دهد.
مشکلي که در زمينه اوراق بهادارسازي وجود دارد آن است که ادبيات موضوع کلي است و هنوز يک مدل بهينه که به طور درونزا به حل مشکل مخاطره اخلاقي و دادن انگيزه به وامدهنده در سطح بهينه بپردازد، وجود ندارد. در وضيعت مخاطره اخلاقي، استفاده از اطلاعات اضافي درباره اقدام بانی به عنوان يك علامت اطلاعاتي31 علاوه بر عملکرد (جریان عایدیهای نقدی وصول شده از تجمیع رهنها)،
ميتواند در جهت بهبود بخشيدن به سيستم اطلاعات سرمایهگذار و بر اساس آن طراحي کاراتر
انگيزهها، مورد توجه قرار بگيرد. بر اساس تئوری، فراهم کردن انگیزه با دستیابی به اطلاعات بیشتر درباره تلاشهای انتخابی بانی امکانپذیر میباشد.
با توجه به اهميت موضوع و لزوم دستيابي به اطلاعات اضافي براي طرف نا مطلع از نحوه رفتار طرف مطلع در هر معاملهاي بخصوص معاملات اوراق بهادار MBS، در اين رساله به دنبال تعميم و کاربردي نمودن چارچوب استنباط بيزين در ادبيات اوراق بهادارسازي جهت استنباط اطلاعات راجع به تلاش پنهاني32 انتخابي باني (طرف مطلع) هستيم.
از طرف دیگر با مشاهده علامت اطلاعاتي از اقدام باني، ميتوان يک قرارداد بهينه دوم33 را بين سرمايهگذار و باني، طراحي نمود که به آن اطلاعات وابسته باشد. بدين جهت، در اين رساله، يک الگوريتم ساده براي محاسبه يک برنامه جبران34 بهينه، استخراج ميگردد. اين قرارداد بهينه بين باني و سرمايهگذار به صورت يک پرداخت به باني بعد از يک دوره انتظار میباشد. تحت اين قرارداد يک باني (پذيرهنويس رهن) ميتواند در تلاش بهينه براي غربال کردن قرض گيرندگان با ريسک پايين تشويق گردد.
چارچوب در نظر گرفته شده در اين رساله به گونهاي است که سرمايهگذار درباره تلاش باني
(پذيرهنويس) راجع به اعمال استانداردهاي پذيرهنويسي، طي دوره زماني فرض شده ياد ميگيرد. به عبارت ديگر فرض شده که سرمايهگذار يک تصميمگيرنده بيزين است و براي طراحي برنامه جبران باني، اعتقادات پسين به روز شده خود را در نظر ميگيرد. در واقع در اين رساله سعي بر آن بوده است که شکل صريحي براي اعتقادات (باورهای به روز شده) در طراحي بهينه قراردادها و در چارچوب اوراق بهادارسازي، مدلسازي گردد.
چارچوب در نظر گرفته شده در اين رساله پويا است و اطلاعات درباره عملکرد رهنها طي زمان آشکار ميگردد. به نظر ميرسد چنين فرضي با واقعيت سازگارتر باشد زيرا در يک چارچوب ايستا کيفيت اعتباري رهنها در همان لحظه فروش مشخص نميگردد. در واقع در طول زمان، رفتارهاي سوء و نادرست خيلي دقيقتر آشکار ميشوند.
بسته به نوع بازار و داراييهايي که در فرآيند اوراق بهادارسازي مورد استفاده قرار ميگيرد، طيف گستردهاي از نهادهاي مالي از جمله سرمايهگذاران فردي، بانکهاي رهني35، بانکهاي تجاري، بانکهاي سرمايهگذاري، مؤسسات تأمين مالي، شرکتهاي بيمه عمر، صندوقهاي سرمايهگذاري مشترک، صندوقهاي بازنشستگي و دولتها ميتوانند از تکنيک معرفي شده در اين رساله و دستاوردهاي آن جهت طراحی و انتشار اوراق بهادار جدید به عنوان یک روش تأمین مالی36 ارزانتر با ریسک کمتر،
بهرهمند گردند.

1-6- تعاريف و مفاهيم
قاعده بيز. مسئله يادگيري از دادههاي مشاهده شده، يا استفاده از آنها براي استنباط، در تئوري بيزين مطرح ميشود. قاعده بيز در استنباط بيزين براي به روز نمودن37 اعتقادات پيشين38 از متغيرهاي تصادفي – از طريق يادگيري شواهد39 جديد و اضافي – به اعتقادات پسين40 از اين متغيرهاي تصادفي، ميباشد. بر طبق تئوري بيز، توزيع پسين از متغيرهاي تصادفي عبارت است از حاصلضرب راستنمايي41 (احتمال) مشاهده دادهها، در اعتقادات پيشين از متغيرهاي تصادفي.
P(e├|X┤)=(P(X,e))/(∫▒〖P(X,e)de〗)=(P(X├|e┤)P(e))/(P(X)) (1)
که P(X)=∫▒〖P(X,e)de〗 ثابت نرمال ساز42 ميباشد، زيرا نسبت به متغيرهاي تصادفي مدل،e، انتگرالگيري شده و در واقع متغيرهاي e از اين توزيع حذف شدهاند. به ثابت نرمال ساز، شواهد43 يا راستنمايي حاشيهاي44 نيز گفته ميشود.
لازم است فرض شود که دادههای مشاهده شده توسط مدلی مثلاً M با متغیرهای تصادفی e تولید میشوند. معمولاً فرض بر آن است که دادهها از راستنمايي (مدل) P(X├|e┤) به تصوير کشيده شدهاند. متغيرهاي تصادفي e، ميتوانند کميتهاي قابل مشاهده، متغيرهاي نهفته، پارامترهاي مجهول يا فرضيه، باشند.
در تئوري بيزين، توزيع پيشين، توزيع احتمال در فضاي متغيرهاي تصادفي است قبل از اينکه
دادهها مشاهده شوند. يعني توزيع پيشين اعتقادات ما را براي هر مقدار ممکن از متغيرهاي تصادفي، قبل از جمعآوري شواهد درباره موضوع تحت بررسي، نشان ميدهد. بنابراين تعريف ما از احتمال در فضاي متغيرهاي تصادفي، متفاوت از فضاي نمونه باید باشد؛ احتمال در فضاي متغيرهاي تصادفي اعتقادات ما را اندازه ميگيرد و بنابراين ذهني45 است.
بر اساس آنچه که در پاراگراف بالا توضيح داده شد، احتمال پسين P(e├|X┤)، احتمال شرطی e را با مفروض بودن مشاهدات X اندازه ميگيرد؛ يعني دانش به روز شده ما درباره متغيرهاي تصادفي e را بعد از اينکه X مشاهده شد، بيان ميکند. اين احتمال هر چيزي را که درباره متغيرهاي تصادفي مجهول، بعد از مشاهده دادهها ميدانيم، توصيف ميکند.
راستنمايي P(X├|e┤) احتمال مشاهده کردن شواهد X، با مفروض بودن متغيرهاي تصادفي e را نشان ميدهد.
فاکتور راستنمايي حاشيهاي يا شواهد مدل46P(X)=∫▒〖P(X,e)de〗، براي تمامي انواع مختلف فرضيههاي ممکن (راجع به متغيرهاي تصادفي e)، يکسان است-که به معناي آن است که اين عامل وارد نشده تا احتمالهاي نسبي فرضيههاي متفاوت را تعيين کند، بلکه يک فاکتور نرمال ساز است که توزيع پسين را يک تابع چگالي مناسب ميسازد.
بنابراين آن چيزي که بر مقدار P(e├|X┤) براي مقادير متفاوت از X تأثير ميگذارد، تنها فاکتورهاي P(X├|e┤) و P(X) هستند که هر دو در صورت کسر قاعده بیز ظاهر ميشوند و از اين رو احتمال پسين متناسب با هر دوی این جملات است و نيازي به محاسبه صريح فاکتور نرمال ساز نميباشد. از اين رو احتمال پسين نرمالسازي نشده47 متناسب است با پيشين × راستنمايي
P(e├|X┤)∝P(X├|e┤)P(e)
توجه شود که در استنباط بيزين، پسين به صورت يک توزيع مشترک از تمامي متغيرهاي تصادفي تحت بررسي، ميباشد که اغلب از بعد بالايي برخوردار است و در مواردي مانند مدلهاي ترکيبي48
ميتواند به تعداد نمايي افزايشيابنده49 از مدها را نشان دهد. در واقع، چون مخرج عبارت (1) يک مجموع غيرقابل حل کردن50 است، نميتوان به سادگي به يک جواب فرم بسته51 دست يافت؛ بنابراين بایستی يک الگوريتم استنباط تقريبي52 برای حل آن مورد استفاده قرار بگيرد.
احتمال بيزين. در تئوري بيزين، احتمالات، درجه اعتقادات ذهني يا شخص نگرشانه53 از پديدهها هستند و قضيه بيز، ابزاري منطقي براي به روز رساني اين احتمالات با لحاظ اطلاعات جديد، ميباشد. در استنباط بيزين کليه نااطمينانيها در مسائل مربوط به مدلسازي، به صورت توزيعهاي احتمال در نظر گرفته ميشوند. مدلهاي بيزين، با درنظر گرفتن اعتقادات پيشين درباره فرآيند مولد54 دادههاي مشاهده شده، به دنبال مدلسازي فرآيندي است که مشاهدات را توليد ميکند.
يادگيري ماشين55. در مسائل مربوط به يادگيري ماشين، هدف يادگيري مجموعه مناسبي از پارامترها در يک مجموعه از دادههاي تجربي، در چارچوب استنباط آماري، است. در اينصورت به مواردي همچون برازش بيش از حد، يا کمتر از حد و نيز کشف علتها و ساختار دادهها توجه ميشود.
يادگيري غيرنظارتي56. در تئوري يادگيري ماشين، يادگيري غيرنظارتي به مسئله يادگيري مدل احتمالي و يافتن ساختار پنهان در دادههاي بدون طبقهبندي57، مربوط ميشود. به عبارت ديگر در يادگيري غيرنظارتي، فرض ميشود که مشاهدات تحت تأثير متغيرهاي نهفته قرار دارند. اين تکنيک، مشاهدات را بدون هيچگونه صفت وابسته از پيش تعيين شدهاي، خوشه سازی58 ميکند؛ يعني توزيع مشاهدات را در فضايي از بعد بالا مدلسازي ميکند.
متغير نهفته. در آمار، متغيرهاي نهفته که در مقابل متغيرهاي قابل مشاهده قرار دارند، متغيرهايي هستند ک

پایان نامه
Previous Entries مقاله درباره عدم تقارن اطلاعات، اطلاعات نامتقارن، ارزش اطلاعات، عدم تقارن Next Entries مقاله درباره انتقال اطلاعات، رشته اقتصاد، کسب و کار