
تعداد نشریات | 162 |
تعداد شمارهها | 6,631 |
تعداد مقالات | 71,606 |
تعداد مشاهده مقاله | 127,044,888 |
تعداد دریافت فایل اصل مقاله | 100,026,121 |
یادگیری ماشین مبتنی بر رویکرد سلسلهمراتبی برابری ریسک (مطالعه موردی: پرتفولیو سهام متشکل از 30 شرکت برتر بورس اوراق بهادار تهران) | ||
تحقیقات مالی | ||
دوره 24، شماره 2، 1401، صفحه 236-256 اصل مقاله (1.1 M) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/frj.2021.319092.1007146 | ||
نویسندگان | ||
مرضیه نوراحمدی1؛ حجت الله صادقی* 2 | ||
1دکتری، گروه مهندسی مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران. | ||
2دانشیار، گروه مدیریت مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران. | ||
چکیده | ||
هدف: مسئلۀ تخصیص داراییها، به تصمیمگیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایهگذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایهگذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایهگذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روشهای زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین ـ واریانس، بهدلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکالهای عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینهسازی سبد سهام است که در شبیهسازی بروننمونه برای بازار سهام ایران، عملکرد برتری داشته باشد. روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسلهمراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیلشده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است. یافتهها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره دروننمونه و بروننمونه استفاده شد. نتایج بهدستآمده از تحلیل دروننمونه و بروننمونه نشان داد که رویکرد برابری ریسک سلسلهمراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد. نتیجهگیری: رویکرد برابری ریسک سلسلهمراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایهگذاران، ابزار مهم مدیریت ریسک محسوب میشود. مدیران سبدگردان و سرمایهگذاران نیز میتوانند از این روش برای تخصیص وزن به سبد خود استفاده کنند. | ||
کلیدواژهها | ||
بهینهسازی پرتفولیو؛ مینیمم واریانس؛ سلسلهمراتبی برابری ریسک؛ یادگیری ماشین؛ عملکرد پرتفولیو | ||
مراجع | ||
کریمی، آرزو (1400). بهینهسازی سبد سهام با استفاده از الگوریتم ژنتیک چند هدفه (NSGA II) و ماکزیمم نسبت شارپ. مهندسی مالی و مدیریت اوراق بهادار، 12(46)، 389–410.
تقیزاده یزدی، محمدرضا؛ فلاحپور، سعید؛ احمدی مقدم، محمد (1395). انتخاب پرتفوی بهینه با استفاده از برنامهریزی فراآرمانی و برنامهریزی آرمانی ترتیبی توسعهیافته. تحقیقات مالی، 18(4)، 591–612.
نبیزاده، احمد؛ قرهباغی، هادی؛ بهزادی، عادل (1396). بهینهسازی پرتفوی ردیابی شاخص بر اساس بتای نامطلوب مبتنی بر الگوریتمهای تکاملی. تحقیقات مالی، 19(2)، 319–340.
نوراحمدی، مرضیه؛ صادقی، حجت الله (1399)، مروری بر روشهای مدیریت مقادیر گمشده در سریهای زمانی، ششمین همایش ریاضیات و علوم انسانی (ریاضیات مالی)، http://femath6.atu.ac.ir/paper?manu=107697
References Baitinger, E., & Papenbrock, J. (2016). Interconnectedness risk and active portfolio management. Journal of Investment Strategies, Forthcoming. Available at SSRN: https://ssrn.com/abstract=2909839 Bechis, L., Cerri, F., & Vulpiani, M. (n.d.). (2020). Machine Learning Portfolio Optimization: Hierarchical Risk Parity and Modern Portfolio Theory. Brinson, G. P., Hood, L. R., & Beebower, G. L. (1986). Determinants of portfolio performance. Financial Analysts Journal, 42(4), 39–44. Burggraf, T. (2020). Beyond Risk Parity–A Machine Learning-based Hierarchical Risk Parity Approach on Cryptocurrencies. Finance Research Letters, 101523. Cochrane, J. H. (1999). Portfolio advice for a multifactor world. National Bureau of Economic Research. De Prado, M. L. (2016). Building diversified portfolios that outperform out of sample. The Journal of Portfolio Management, 42(4), 59–69. Dose, C., & Cincotti, S. (2005). Clustering of financial time series with application to index and enhanced index tracking portfolio. Physica A: Statistical Mechanics and Its Applications, 355(1), 145–151. Hüttner, A., Mai, J.-F., & Mineo, S. (2018). Portfolio selection based on graphs: Does it align with Markowitz-optimal portfolios? Dependence Modeling, 6(1), 63–87. Jain, P., & Jain, S. (2019). Can machine learning-based portfolios outperform traditional risk-based portfolios? the need to account for covariance misspecification. Risks, 7(3), 74. León, D., Aragón, A., Sandoval, J., Hernández, G. J., Arévalo, A., & Niño, J. (2017). Clustering algorithms for Risk-Adjusted Portfolio Construction. ICCS, 1334–1343. Lohre, H., Rother, C., & Schäfer, K. A. (2020). Hierarchical risk parity: Accounting for tail dependencies in multi-asset multi-factor allocations. Machine Learning and Asset Management, Forthcoming. Simon, H. A. (1991). The Architecture of Complexity. In Facets of Systems Science, 457–76. Springer. Onnela, J.-P., Chakraborti, A., Kaski, K., Kertesz, J., & Kanto, A. (2003). Dynamics of market correlations: Taxonomy and portfolio analysis. Physical Review E, 68(5), 56110. Peralta, G., & Zareei, A. (2016). A network approach to portfolio selection. Journal of Empirical Finance, 38, 157–180. Raffinot, T. (2017). Hierarchical clustering-based asset allocation. The Journal of Portfolio Management, 44(2), 89–99. Raffinot, T. (2018). The hierarchical equal risk contribution portfolio. Available at SSRN 3237540. Ren, F., Lu, Y.N., Li, S.P., Jiang, X.F., Zhong, L.X., & Qiu, T. (2017). Dynamic portfolio strategy using clustering approach. PloS One, 12(1), e0169299. Karimi, A. (2021). Stock portfolio optimization using multi-objective genetic algorithm (NSGA II) and maximum Sharp ratio. FEJ, 12(46), 389–410. (in Persian) Nabizade, A., Gharehbaghi, H., & Behzadi, A. (2017). Index Tracking Optimization under down Side Beta and Evolutionary Based Algorithms. Financial Research Journal, 19(2), 319–340. https://doi.org/10.22059/jfr.2017.226501.1006374. (in Persian) Noorahmadi, M., Sadeghi, H., (2019), a review of missing value management methods in time series. 6th Mathematics and Humanities Seminar (Financial Mathematics). https://femath6.atu.ac.ir/paper?manu=107697 (in Persian) Taghizadeh Yazdi, M. R., Fallahpour, S., & Ahmadi Moghaddam, M. (2017). Portfolio selection by means of Meta-goal programming and extended lexicograph goal programming approaches. Financial Research Journal, 18(4), 591–612. https://doi.org/10.22059/jfr.2017.62580. (in Persian) | ||
آمار تعداد مشاهده مقاله: 1,300 تعداد دریافت فایل اصل مقاله: 993 |