پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,871 |
| تعداد مشاهده مقاله | 115,463,978 |
| تعداد دریافت فایل اصل مقاله | 90,234,114 |
ارائه الگوی بهینه‌سازی سبد سهام بر اساس ترجیحات رفتاری و حافظه سرمایه‌گذار | ||
| تحقیقات مالی | ||
| دوره 26، شماره 1، 1403، صفحه 131-158 اصل مقاله (702.77 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.354113.1007438 | ||
| نویسندگان | ||
| وحیده موسوی کاخکی* 1؛ ساناز خطابی2 | ||
| 1دانشجوی کارشناسی ارشد، گروه مدیریت مالی، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، تهران، ایران. | ||
| 2استادیار، گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| هدف: با توجه به پیشرفت بازارهای مالی، مقوله بهینه‌سازی سبد دارایی به یکی از موضوعات مهم مطرح شده در اقتصاد مالی تبدیل شده است؛ به‌گونه‌ای که تشکیل سبد دارایی به‌عنوان یک تصمیم‌گیری حساس برای سرمایه‌گذاران شناخته می‌شود و از این رو، شناسایی عوامل مؤثر بر انتخاب سبد دارایی با نرخ بازده بالا و ریسک کنترل شده، از موضوعاتی است که توجه محققان را به خود جلب کرده است. تاکنون الگوهای بسیاری برای حل مسئله مدیریت سبد سهام و بهینه‌سازی پرتفوی ارائه شده که هریک با توجه به وضعیت و محدودیت‌هایی طراحی شده است. بهینه‌سازی عبارت است از به حداقل‌رسانی (حداکثررسانی) یک تابع هدف، متشکل از چندین متغیر تصمیم که محدودیت‌های عملکردی را برآورده کند. از طرفی سرمایه‌گذاری، فرایندی در وضعیت‌عدم اطمینان است. از آنجایی که سرمایه‌گذاری یک تصمیم فردی است و هر انسانی بر اساس روحیه و ویژگی‌های فردی خود آن را اتخاذ می‌کند، معیارهای مختلفی دارد. با توجه به رفتار غیرخطی سرمایه‌گذاران، هدف اصلی پژوهش حاضر، ارائه الگوی بهینه‌سازی سبد سهام، بر اساس ترجیح رفتاری و حافظه سرمایه‌گذار است؛ به‌گونه‌ای که پرتفوی حاصل، ضمن بیشینه نمودن بازده، ریسک سرمایه‌گذاری را کمتر کند. روش: معتقدیم مسئله بهینه‌سازی سبد سهام، یک مسئله چندهدفه است. جامعه مطالعاتی پژوهش حاضر، شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است. دوره زمانی پژوهش، سال ۱۴۰۰ در نظر گرفته شد. در پژوهش حاضر، از الگوریتم فراابتکاری ژنتیک جهت بهینه‌سازی سبد سهام استفاده شد؛ زیرا الگوریتم ژنتیک از جمله تئوری‌های بهینه‌سازی است که می‌تواند با درنظر گرفتن سطوح متفاوت ریسک، مسئله بهینه‌سازی سبد سهام را با موفقیت حل کند. در این پژوهش با استفاده از الگوریتم نام برده، به بهینه‌سازی سبد سهام تحت دو معیار ترجیحات رفتاری و حافظه سرمایه‌گذار پرداخته شد و پس از آن، به‌منظور انتخاب مؤثرترین معیار در بهینه‌سازی سبد سهام، مدل‌های یادشده دوبه‌دو مقایسه شدند. در انتها، ضریب تأثیر هر یک از روش‌های استفاده شده در پژوهش، روی جواب نهایی بررسی شد. یافته‌ها: نتایج مقایسه الگوی بهینه‌سازی تحت دو معیار حافظه سرمایه‌گذار و ترجیحات رفتاری، نشان‌دهنده آن است که حافظه سرمایه‌گذار در مقایسه با ترجیحات رفتاری، معیار مناسب‌تری برای بهینه‌سازی سبد سهام است. در اجرای مدل با بازدهی بازار برای دو معیار ترجیحات رفتاری و حافظه سرمایه‌گذار، نتایج به‌دست‌آمده گویای مناسب‌بودن حافظه سرمایه‌گذار با بازده بازار در بهینه‌سازی سبد سهام است. نتیجه‌گیری: هدف اصلی در مدیریت سبد سهام، کمک به سرمایه‌گذار در چیدمان سبد بهینه با توجه به ترجیحات، علایق وی، تجربه‌های گذشته سرمایه‌گذاری و محیط تصمیم است؛ از این رو سرمایه‌گذار همواره به‌دنبال تشکیل سبدی بهینه است تا مطلوبیت وی را افزایش دهد. با توجه به نتایج به‌دست‌آمده در این پژوهش، می‌توان گفت سبدهایی که با استفاده از اطلاعات حافظه سرمایه‌گذار و متغیر بازده بازار ایجاد شده‌اند، در مقایسه با ترجیحات رفتاری و متغیر بازده بازار، از کارایی بیشتری برخوردارند. در مقایسه دوبه‌دو سبدهای ایجاد شده با معیار حافظه سرمایه‌گذار و ترجیحات رفتاری، معیار حافظه سرمایه‌گذار نیز معیار مناسب‌تری برای بهینه‌سازی سبد سهام شناخته شد. | ||
| کلیدواژه‌ها | ||
| الگوی بهینه‌سازی سبد سهام؛ ترجیحات رفتاری؛ حافظه سرمایه‌گذار؛ الگوریتم ژنتیک؛ بورس اوراق بهادار تهران | ||
| عنوان مقاله [English] | ||
| Modeling Portfolio Optimization based on behavioral Preferences and Investor’s Memory | ||
| نویسندگان [English] | ||
| vahideh mousavi kakhki1؛ Sanaz Khatabi2 | ||
| 1M.Sc. student, Financial Management , Islamic Azad University, Damavand, Iran | ||
| 2Assistant Prof., Department of Financial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective The optimization of asset portfolios, taking into account market advancements, has emerged as a pivotal subject in financial economics. Constructing asset portfolios is acknowledged as a critical decision for investors. Consequently, researchers focus on identifying factors that influence the selection of portfolios with high returns and controlled risk. Portfolio optimization, a cornerstone of financial economics, has gained prominence in the face of ever-evolving market dynamics. Investors' decision-making plays a pivotal role in portfolio construction, prompting researchers to explore factors that influence the selection of portfolios with high returns and controlled risk. Numerous models have addressed the optimization problem of stock portfolio management, each tailored to specific conditions and constraints. This research focuses on developing a multi-objective optimization model that incorporates investor memory and behavioral preferences. The literature on portfolio optimization is vast and diverse, encompassing various approaches and methodologies. Traditional optimization models, such as Markowitz's Mean-Variance model, aim to maximize expected returns while minimizing risk. However, these models often fail to capture the complexities of real-world investment decisions, which are often influenced by behavioral factors. Investor memory refers to the tendency of investors to base their current investment decisions on past experiences. This can lead to biases and suboptimal outcomes. Behavioral preferences, on the other hand, encompass a range of psychological factors that influence investor behavior, such as risk aversion, overconfidence, and herding. Methods We perceive stock portfolio optimization as a multi-objective challenge, considering two primary criteria. The first criterion involves investor memory, which encompasses utilizing historical price data and market trends to anticipate future performance. The second criterion pertains to behavioral preferences, which involves integrating investor risk aversion, overconfidence, and herding behavior into the model. We employ a Genetic Algorithm (GA) to optimize portfolios under both criteria. GA is a robust optimization technique that can effectively handle complex problems with multiple constraints. The study population comprises companies listed on the Tehran Stock Exchange for the year 2021. Results The achieved results suggest that investor memory serves as a more suitable criterion for optimal portfolio construction compared to behavioral preferences because investor memory incorporates market data and trends, providing a more objective basis for decision-making. Additionally, incorporating market return alongside investor memory data yielded superior results than using behavioral preferences with market return. This indicates that the combination of investor memory and market data can lead to more efficient and profitable portfolios. Pairwise comparisons of portfolios created using investor memory and behavioral preference criteria revealed that investor memory consistently outperformed behavioral preferences across different risk levels. This finding highlights the importance of considering investor memory when constructing optimal stock portfolios. Conclusion This study contributes to the literature on portfolio optimization by demonstrating the effectiveness of incorporating investor memory and behavioral preferences into the decision-making process. The findings suggest that investor memory is a more suitable criterion for portfolio optimization than behavioral preferences. Moreover, the combination of investor memory and market return data can lead to more efficient and profitable portfolios. The findings of this study have important implications for investors and portfolio managers. Investors should consider incorporating investor memory into their decision-making process when constructing stock portfolios. Additionally, portfolio managers can use the proposed multi-objective optimization model to create more efficient and profitable portfolios for their clients. This study provides a foundation for future research on portfolio optimization. Future studies can explore other factors that influence investor behavior, such as social media sentiment and news sentiment. Additionally, researchers can investigate the application of other optimization techniques, such as machine learning algorithms, to portfolio optimization. | ||
| کلیدواژه‌ها [English] | ||
| Stock portfolio optimization model, Behavioral preferences, Investor memory, Genetic algorithm, Tehran stock exchange | ||
| مراجع | ||
|
بدری، احمد و اسکینی، سبحان (1391). آزمون تجربی استراتژی سرمایه‌گذاری معکوس با استفاده از تحلیل پوششی داده‌ها. دانش حسابداری، 3(10)، 137- 156.
پاکباز کتج، محمود و فرید، داریوش (1401). مقایسه عملکرد مدل‌های بهینه‌سازی با صندوق‌های سرمایه‌گذاری سهامی در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار، 15(53)، 173- 188.
توحیدی، محمد (1399). استخراج شاخص ترکیبی گرایش در بورس اوراق بهادار تهران. مدیریت دارایی و تأمین مالی، 2 (29)، 49- 68.
تهرانی، رضا؛ فلاح‌پور، سعید و نورعلی‌دخت، حمید (1402). الگوریتم کشف معاملات مشکوک در بورس اوراق بهادار تهران بر اساس مدل معاملات جعلی. تحقیقات مالی، 25(1)، 26-62.
تهرانی، رضا؛ فلاح‌تفتی، سیما و آصفی، سپهر (1397). بهینه‌سازی سبد سهام به کمک الگوریتم فراابتکاری دسته‌های میگو با استفاده از معیارهای مختلف از ریسک در بورس اوراق بهادار تهران. تحقیقات مالی، 20(4)، 409- 426.
تیموری‌آشتیانی، علی؛ حمیدیان، محسن و جعفری، سیده‌محبوبه (1401). ارائه مدل بهینه برای انتخاب سهام مبتنی بر استراتژی‌های معاملاتی مومنتوم، معکوس و هیبریدی با استفاده از الگوریتم GWO. تحقیقات مالی، 24(4)، 624- 654.
حمیدی فر، حدیث؛ امین‌رستمکلائی، بهنام و وقوعی، هاترا (1400). بهینه‌سازی سبد سهام در سطح صنایع همراه با در نظر گرفتن محدودیت‌ها در عمل: میزان نقدشوندگی، هزینه معاملات، ضریب گردش سبد و خطای تعقیب. تحقیقات مالی، 23(4)، 564- 592.
خادمی گراشی، مهدی و قاضی‌زاده، مصطفی (1386). بررسی عوامل مؤثر بر تصمیم‌گیری سهامداران در بورس اوراق بهادار تهران بر مبنای مدل معادلات ساختاری. دو ماهنامه علمی پژوهشی دانشور رفتار، 14(23)، 1-12.
دمیرچی لو، حامد؛ مرادخانی، بهنام و آقبلاغ، عادل (1390). به‌کارگیری یک الگوریتم ژنتیک دو مرحله‌ای برای انتخاب پرتفوی بهینه سهام در بورس، نهمین همایش سراسری حسابداری ایران.
رضازاده، حامد؛ پاک‌مرام، عسگر؛ بحری ثالث، جمال و عبدی، رسول (1399). تأثیر سوگیری در پیش بینی سود مدیریت بر رفتار سرمایه‌گذاری شرکت و عدم تقارن اطلاعاتی. دانش حسابداری، 11(41)، 139- 167.
روشنگرزاده، امین و رمضان احمدی، محمد (1390). بررسی عملکرد صندوق‌های سرمایه گذاری بر اساس معیارهای های مبتنی بر تئوری فرامدرن پرتفوی و ارتباط بین رتبه‌بندی آن‌ها با معیارهای مدرن پرتفوی. پژوهش‌های حسابداری مالی، 3(7)، 143- 160.
سعیدی کوشا، مهدی و محبی، سعید (1400). بهینه‌سازی پرتفوی سهام با استفاده از مقایسه الگوهای مختلف تکنیکال. مهندسی مالی و مدیریت اوراق بهادار، 12(49)، 104- 125.
گرکز، منصور؛ عباسی، ابراهیم و مقدسی، مطهره (1389). انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک براساس تعاریف متفاوتی از ریسک. مجله مدیریت صنعتی دانشگاه علوم انسانی دانشگاه آزاد اسلامی سنندج، 5(11)، 115- 136.
مدرس، احمد و محمدی استخری، نازنین (1387). انتخاب یک سبد سهام از بین سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه‌سازی الگوریتم ژنتیک، مجله توسعه و سرمایه، 1(1)، 71- 92.
موشخیان، سیامک و نجفی، امیرعباس (1394). بهینه‌سازی سبد سرمایه‌گذاری با استفاده از الگوریتم چند هدفه ازدحام ذرات برای مدل احتمالی چنددوره‌ای میانگین ـ نیم واریانس ـ چولگی. مجله مهندسی مالی و مدیریت اوراق بهادار، 6(23)، 133- 147.
References Aranha, C. & Iba, H. (2009). The Memetic Tree-based Genetic Algorithm and its application to Portfolio Optimization. Memetic Computing, 1, 139–151. Badri, A. & Eskini, S. (2012). Contrarian Investment Strategy: an Empirical Test Based on Data Envelopment Analysis. Journal of Accounting Knowledge, 3(10), 137-156. (in Persian) Bandopadhyaya, A. & Jones, A.L. (2005). Measuring Investor Sentiment in Equity Markets. Financial Services Forum Publications, 1-19. Available in: https://scholarworks.umb.edu/financialforum_pubs/6 Bollerslev, T., Gibson, M. & Zhou H. (2011). Dynamic estimation of volatility risk premia and investor risk aversion from option-implied and realized volatilities. Journal of Econometrics, 160, 235-245. Demirchilo, H., Moradkhani, B. & Aqbelagh, A. (2011). Applying a two-stage genetic algorithm to select the optimal stock portfolio in the stock market. The 9th national accounting conference of Iran. (in Persian) Garkaz, M., Abasi, A. & Moghadasi, M., (2010). Selection and optimization of stock portfolio using genetic algorithm based on different definitions of risk. Journal of Industrial management of University of Humanities, Islamic Azad University of Sanandaj, 5(11), 115-136. (in Persian) Giese, G., Lee, L., Melas, D., Nagy, Z. & Nishikawa L. (2019). Foundations of ESG Investing: How ESG Affects Equity Valuation, Risk, and Performance. The Journal of Portfolio Management, 45 (5) 69-83. Hamidifard, H., Aminrostamkolaee, B. & Voghouei, H. (2021). Stock Portfolios Optimization at the Industry Level Regarding Constraints in Practice: Liquidity, Transaction Cost, Turnover & Tracking-error. Journal of Financial Research, 23(4). 564-592. (in Persian) Harris, R. D. F. & Mazibas, M. (2022). Portfolio optimization with behavioural preferences and investor memory. European Journal of Operational Research, 296, 368-387. Kahneman, D. & Tversky, A. (1979). Prospect theory: an analysis of decision under risk. Econometrica, 47, 263–291. Khademi Gherashi, M., Qazizadeh, M. (2007). Investigating the influencing factors on shareholders' decision-making in Tehran Stock Exchange based on the structural equation model. Scientific Journal of Business Strategies, 14(23), 1-12. (in Persian) Lopes, L. L. (1987). Between hope and fear: The psychology of risk. Advances in experimental social psychology, 20, 255-295. Markowitz, H. (1952). The utility of wealth. Journal of Political Economy, 60(2), 151–158. Modarres, A. & Mohammadi, N. (2008). Selecting a stock portfolio from among the stocks of companies accepted in the Tehran Stock Exchange using the genetic algorithm optimization model. Journal of development and capital, 1(1), 71-92. (in Persian) Mushakhian, S., Najafi, A.A. (2015). Investment portfolio optimization using multi-objective particle swarm algorithm for probabilistic multi-period mean-semi-variance-skewness model. Journal of Financial Engineering and Securities Management, 6(23), 133-147. Pakbaz Kataj, M. & Farid, D. (2022). Comparing the performance of optimization models with equity investment funds: evidence from the Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 15(53), 173-188. (in Persian) Prelec, D. (1998). The probability weighting function. Econometrica: Journal of the Econometric Society, 497–527. Rezazadeh, H., Pakmaram, A., Bahri Sales, J. & Abdi R. (2020). Effect of Bias in Management Earnings Forecasts on Investment Behavior of Firm and Information Asymmetry. Journal of Accounting Knowledge, 11(41), 139-167. (in Persian) Roshangarzadeh, A. & Ahmadi, M. (2011). Evaluating performance of mutual funds by measures based on post modern portfolio theory and the relationship between their rankings with measures based on modern portfolio theory. Quarterly Journal of Financial Accounting Research, 3(6), 143-160. (in Persian) Saeidi Kousha, M. & Mohebbi, S. (2022). Optimizing stock portfolios by comparing different technical patterns. Quarterly Journal of Financial Engineering and Securities Management, 12(49), 104-125. (in Persian) Statman, M. (2014). Behavioral finance: Finance with normal people. Borsa Istanbul Review, 14, 65-73. Stoyanov, S., Loh, L. & Fabozzi, F. (2017). How fat are the tails of equity market indices? International Journal of Finance & Economics, 22, 181-200. Tehrani, R., Fallah Tafti, S., & Asefi, S. (2018). Portfolio Optimization Using Krill Herd Metaheuristic Algorithm Considering Different Measures of Risk in Tehran Stock Exchange. Financial Research Journal, 20(4), 409-426. (in Persian) Tehrani, R., Fallahpour, S. & Nouralidokht, S. (2023). Developing an Algorithm forDetecting Suspicious Trades in Tehran Stock Exchange Based on Spoof Trading Model. Journal of Financial Research, 25(1), 26-62. (in Persian) Teymouri Ashtiani, A., Hamidian, M., Jafari, S.M., (2022). Providing the Optimal Model for Stock Selection Based on Momentum, Reverse and HybridTrading Strategies Using GWO Algorithm. Journal of Financial Research, 24(4), 624-654. (in Persian) Tohidi, M., (202). Extracting Composite sentiment Index for Tehran Stock Exchange. Journal of Asset Management and Financing, 2(29), 49-68. (in Persian) Zhang, Y., Li, X., & Guo S., (2017). Portfolio selection problems with Markowitz’s mean–variance framework: a review of literature. Fuzzy Optimization and Decision Making, 17, 125–158. | ||
|
آمار تعداد مشاهده مقاله: 73 تعداد دریافت فایل اصل مقاله: 74 |
||