
تعداد نشریات | 162 |
تعداد شمارهها | 6,693 |
تعداد مقالات | 72,243 |
تعداد مشاهده مقاله | 129,247,269 |
تعداد دریافت فایل اصل مقاله | 102,085,206 |
بهینهسازی سبد سرمایهگذاری چندمعیاره فازی با درنظر گرفتن سطوح مختلف انتظارات سرمایهگذار | ||
تحقیقات مالی | ||
دوره 27، شماره 1، 1404، صفحه 1-30 اصل مقاله (604.09 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/frj.2024.372592.1007574 | ||
نویسندگان | ||
علی نمکی* 1؛ سعید شیرکوند2؛ امیرسینا جیرفتی3 | ||
1استادیار، گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
2دانشیار، گروه مالی و بیمه، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
3دانشجوی دکتری، گروه مهندسی مالی، پردیس بینالمللی کیش، دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
هدف: هدف از پژوهش حاضر، بهینهسازی سبد سرمایهگذاری با درنظر گرفتن تمامی معیارهای با اهمیت برای سرمایهگذار، در یک محیط فازی با لحاظکردن سطوح مختلف انتظارات سرمایهگذار برای هر یک از معیارها بر اساس ریسکپذیری آنهاست. بر این اساس، از یک طرف، استفاده از منطق فازی در مدلسازی این مسئله، بهدلیل درنظر گرفتنعدم قطعیت در دادههای ورودی، میتواند به افزایش تطابق مسئله با شرایط دنیای واقعی منجر شود. از طرف دیگر، در مدل انتخاب سبد سرمایهگذاری ارائهشده، علاوهبر ریسک و بازده، بهعنوان دو عامل کلیدی برای سرمایهگذار، برخی عوامل مهم دیگر درنظر گرفته خواهد شد تا بتواند معیارهای مختلف برای سرمایهگذار، از جمله ریسک، بازده کوتاهمدت و بلندمدت، نقدشوندگی، بیشینه و کمینه نسبت سرمایهگذاری روی هر دارایی، سود تقسیمی و محدودیت کاردینالیتی (تعداد داراییهای داخل پرتفوی) را لحاظ کند. هدف دیگر این پژوهش، ارائۀ مدلی نوآورانه نسبت به مدلهای موجود با درنظر گرفتن تابع عضویت لاجستیک شکل فازی، بهمنظور مدلسازی سطوح انتظارات مختلف سرمایهگذاران است تا بتواند سبد سرمایهگذاری را بر اساس اولویت سرمایهگذاران با درجه ریسکپذیری مختلف نسبت به معیارهای متفاوت تشکیل دهد. روش: روش انجام این پژوهش بدین ترتیب است که ابتدا به مدلسازی یک مسئله بهینهسازی چندهدفه غیرخطی، در یک محیط فازی با درنظر گرفتن تمامی عوامل مهم برای سرمایهگذار پرداخته میشود. سپس با استفاده از روشهای کمّی و مبانی منطق فازی، مسئله را به یک مسئلۀ خطی تک هدفه تبدیل میکنیم تا با استفاده از روشها و نرمافزارهای معمول، بهینهسازی قابل حل باشد. در نهایت با استفاده از شاخص ۵۰ شرکت فعالتر بورس اوراق بهادار، به پیادهسازی مدل و تحلیل نتایج خواهیم پرداخت. یافتهها: یافتههای پژوهش نشان میدهد که مدل ارائهشده برای هر دو سرمایهگذار ریسکپذیر و محافظهکار، نسبت به شاخص ۵۰ شرکت فعالتر بورس اوراق بهادار، بازدهی بیش از دو برابری دارد. علاوهبراین، مدل ارائهشده، بهدلیل درنظر گرفتن تابع عضویت لاجستیکشکل، برای اهداف مختلف مسئله میتواند برای سرمایهگذاران با استراتژی تهاجمی (ریسکپذیر) یا محافظهکار (ریسکگریز) شخصیسازی شود. دلیل این موضوع وجود پارامتر تعیین شکل تابع عضویت در توابع لاجستیکشکل است که میتواند اولویت عوامل مختلف از جمله ریسک، بازده کوتاهمدت و بلندمدت، نقدشوندگی یا سود تقسیمی را برای سرمایهگذاران مختلف با سطوح متفاوت ریسکپذیری مشخص کند. نتیجهگیری: استفاده از توابع عضویت لاجستیکشکل، در محیط فازی و معیارهای مختلف میتواند مدل انتخاب سبد سرمایهگذاری را برای سرمایهگذاران با ویژگیهای مختلف شخصیسازی کند تا سرمایهگذاران با سطوح مختلف ریسکپذیری، بتوانند یک سبد سرمایهگذاری مطابق با اولویتهای خود را تشکیل دهند. این موضوع به کاربردی شدن مسئلۀ انتخاب سبد سرمایهگذاری در دنیای واقعی کمک بسزایی میکند. همچنین با استفاده از روشهای محاسباتی و اصول فازی، میتوان مسئلۀ چندهدفۀ غیرخطی را به یک مدل تکهدفه خطی تبدیل کرد تا پیادهسازی و حل آن تسهیل شود. | ||
کلیدواژهها | ||
بهینهسازی سبد سرمایهگذاری؛ تابع عضویت لاجستیک فازی؛ سبد سرمایهگذاری چند معیاره | ||
مراجع | ||
تقیزادگان، غلام رضا؛ زمردیان، غلامرضا؛ فلاح شمس، میرفیض؛ سعدی، رسول (1402). مقایسه عملکرد مدلهای مارکوییتز و مدل ارزش در معرض خطر براساس ریسک عدم نقدشوندگی ـ تی کاپولا با همبستگی شرطی پویا (DCC t-Cupola LVaR) جهت بهینهسازی پرتفوی در بورس اوراق بهادار تهران. تحقیقات مالی، 25(1)، 152-179.
تیموری آشتیانی، علی؛ حمیدیان، محسن؛ جعفری، سیده محبوبه (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.
گل ارضی، غلامحسین؛ انصاری، حمیدرضا (1401). مقایسه عملکرد الگوریتمهای تکاملی NSGAII و SPEA2 در انتخاب پرتفولیوی بهینه در بورس اوراق بهادار تهران. تحقیقات مالی، 24(3)، 410-430.
موسوی کاخکی، وحیده؛ خطابی، ساناز (1403). ارائه الگوی بهینهسازی سبد سهام بر اساس ترجیحات رفتاری و حافظه سرمایهگذار. تحقیقات مالی، 26(1)، 131-158.
References Aparicio, F. M. & Estrada, J. (2001). Empirical distributions of stock returns: European securities markets, 1990-95. The European Journal of Finance, 7(1), 1-21. Bellman, R. E. & Zadeh, L. A. (1970). Decision-making in a fuzzy environment. Management science, 17(4), B-141. Carlsson, C., Fullér, R. & Majlender, P. (2002). A possibilistic approach to selecting portfolios with highest utility score. Fuzzy sets and systems, 131(1), 13-21. Chen, W. & Xu, W. (2019). A hybrid multiobjective bat algorithm for fuzzy portfolio optimization with real-world constraints. International Journal of Fuzzy Systems, 21(1), 291-307. Fama, E. F. (1965). The behavior of stock-market prices. The journal of Business, 38(1), 34-105. Golarzi, G. & Ansari, H. R. (2022). Performance comparison of Non-dominated sorting genetic algorithm with strength Pareto evolutionary algorithm in selecting optimal portfolios in Tehran Stock Exchange. Financial Research Journal, 24(3), 410-430. (in Persian) Gong, X., Yu, C., Min, L. & Ge, Z. (2021). Regret theory-based fuzzy multi-objective portfolio selection model involving DEA cross-efficiency and higher moments. Applied Soft Computing, 100, 106958. Gupta, P., Inuiguchi, M., Mehlawat, M. K. & Mittal, G. (2013). Multiobjective credibilistic portfolio selection model with fuzzy chance-constraints. Information Sciences, 229, 1-17. Gupta, P., Kumar, M., Inuiguchi, M., Chandra, S. (2014). Fuzzy Portfolio Optimization (Advances in Hybrid Multi-criteria Methodologies). In Studies in Fuzziness and Soft Computing. Springer Berlin Heidelberg. Huang, X. (2010). Portfolio Analysis: From Probabilistic to Credibilistic and Uncertain Approaches, Studies in Fuzziness and Soft Computing. DOI: 10.1007/978-3-642-11214-0_1 Jirofti, A. & Najafi, A. A. (2018). Portfolio selection using Z-number theory: two solution methodologies. International Journal of Fuzzy Systems, 20(8), 2484-2496. Konno, H. & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531. Lee, G. S., Binder, J. J. & Hlouskova, J. (2001). Legal Restrictions on Portfolio Holdings: Some Empirical Results. Institute for Advanced Studies in Economics & Finance Working Paper, (93). Li, L., Li, J., Qin, Q. & Cheng, S. (2013, October). Credibilistic conditional value at risk under fuzzy environment. In 2013 Sixth International Conference on Advanced Computational Intelligence (ICACI) (pp. 350-353). IEEE. Liu, B. (2004). Uncertainty Theory: An Introduction to its Axiomatic Foundations, STUDFUZZ, Springer. Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91. Markowitz, H. M. (1991). Foundations of portfolio theory. The journal of finance, 46(2), 469-477. McNeil, A.J., Frey, R., (1999). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Working paperRiskLab, ETH Zurich. Meng, X. & Shan, Y. (2021, July). A fuzzy mean semi-absolute deviation-semi-variance-proportional entropy portfolio selection model with transaction costs. In 2021 40th Chinese Control Conference (CCC) (pp. 8673-8678). IEEE. Moghadam, M. A., Ebrahimi, S. B. & Rahmani, D. (2020). A constrained multi-period robust portfolio model with behavioral factors and an interval semi-absolute deviation. Journal of Computational and Applied Mathematics, 374, 112742. Mousavi Kakhki, V. & Khatabi, S. (2024). Modeling Portfolio Optimization based on behavioral Preferences and Investor’s Memory. Financial Research Journal, 26(1), 131-158. (in Persian) Nahmias, S. (1978) Fuzzy variables. Fuzzy Sets and Systems. 1, 97–110. Parra, M. A., Terol, A. B. & Urıa, M. R. (2001). A fuzzy goal programming approach to portfolio selection. European Journal of Operational Research, 133(2), 287-297. Peykani, P., Nouri, M., Eshghi, F., Khamechian, M. & Farrokhi-Asl, H. (2021). A novel mathematical approach for fuzzy multi-period multi-objective portfolio optimization problem under uncertain environment and practical constraints. Journal of fuzzy extension and applications, 2(3), 191-203. Speranza, M. G. (1993). Linear programming models for portfolio optimization. The Journal of Finance, 14, 107–123. Taghizadegan, G., Zomorodian, G., Fallahshams, M. & Saadi, R. (2023). Comparison of Markowitz Model and DCC-tCopula-LVaR for Portfolio Optimization in the Tehran Stock Exchange. Financial Research Journal, 25(1), 152-179. (in Persian) Teymouri Ashtiani, A., Hamidian, M. & Jafari, S. M. (2022). Providing the Optimal Model for Stock Selection Based on Momentum, Reverse and Hybrid Trading Strategies Using GWO Algorithm. Financial Research Journal, 24(4), 624-654. (in Persian) Wang, Y.L., Watada, J., (2012). A distance-Based PSO approach to solve fuzzy MOPSM with distinct risk measurement, International Journal of Innovative Computing, Information and Control. 9, 6191-6203. Zadeh, L.A. (1965) Fuzzy Sets. Information Control, 8, 338-353. Zadeh, L.A. (1975). The concept of a linguistic variable and its application to approximate reasoning—II. Information sciences, 8(4), 301-357. Zadeh, L.A. (1978) Fuzzy sets as a basis for a theory of possibility, Fuzzy Sets and Systems 1 (1) 3–28. Zadeh, L.A. (2011). A note on Z-numbers. Information sciences, 181(14), 2923-2932. Zhang, X., Zhang, W. G. & Xu, W. J. (2011). An optimization model of the portfolio adjusting problem with fuzzy return and a SMO algorithm. Expert Systems with Applications, 38(4), 3069-3074. Zhang, Y., Liu, W. & Yang, X. (2022). An automatic trading system for fuzzy portfolio optimization problem with sell orders. Expert Systems with Applications, 187, 115822. | ||
آمار تعداد مشاهده مقاله: 430 تعداد دریافت فایل اصل مقاله: 172 |