ارائه الگوی بهینه سازی سبد سهام بر اساس ترجیحات رفتاری و حافظه سرمایه گذار (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: با توجه به پیشرفت بازارهای مالی، مقوله بهینه سازی سبد دارایی به یکی از موضوعات مهم مطرح شده در اقتصاد مالی تبدیل شده است؛ به گونه ای که تشکیل سبد دارایی به عنوان یک تصمیم گیری حساس برای سرمایه گذاران شناخته می شود 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 بهینه سازی پرتفوی ارائه شده که هریک با توجه به وضعیت و محدودیت هایی طراحی شده است. بهینه سازی عبارت است از به حداقل رسانی (حداکثررسانی) یک تابع هدف، متشکل از چندین متغیر تصمیم که محدودیت های عملکردی را برآورده کند. از طرفی سرمایه گذاری، فرایندی در وضعیت عدم اطمینان است. از آنجایی که سرمایه گذاری یک تصمیم فردی است و هر انسانی بر اساس روحیه و ویژگی های فردی خود آن را اتخاذ می کند، معیارهای مختلفی دارد. با توجه به رفتار غیرخطی سرمایه گذاران، هدف اصلی پژوهش حاضر، ارائه الگوی بهینه سازی سبد سهام، بر اساس ترجیح رفتاری و حافظه سرمایه گذار است؛ به گونه ای که پرتفوی حاصل، ضمن بیشینه نمودن بازده، ریسک سرمایه گذاری را کمتر کند.روش: معتقدیم مسئله بهینه سازی سبد سهام، یک مسئله چندهدفه است. جامعه مطالعاتی پژوهش حاضر، شرکت های 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 بهینه سازی سبد سهام استفاده شد؛ زیرا الگوریتم ژنتیک از جمله تئوری های بهینه سازی است که می تواند با درنظر گرفتن سطوح متفاوت ریسک، مسئله بهینه سازی سبد سهام را با موفقیت حل کند. در این پژوهش با استفاده از الگوریتم نام برده، به بهینه سازی سبد سهام تحت دو معیار ترجیحات رفتاری و حافظه سرمایه گذار پرداخته شد و پس از آن، به منظور انتخاب مؤثرترین معیار در بهینه سازی سبد سهام، مدل های یادشده دوبه دو مقایسه شدند. در انتها، ضریب تأثیر هر یک از روش های استفاده شده در پژوهش، روی جواب نهایی بررسی شد.یافته ها: نتایج مقایسه الگوی بهینه سازی تحت دو معیار حافظه سرمایه گذار و ترجیحات رفتاری، نشان دهنده آن است که حافظه سرمایه گذار در مقایسه با ترجیحات رفتاری، معیار مناسب تری برای بهینه سازی سبد سهام است. در اجرای مدل با بازدهی بازار برای دو معیار ترجیحات رفتاری و حافظه سرمایه گذار، نتایج به دست آمده گویای مناسب بودن حافظه سرمایه گذار با بازده بازار در بهینه سازی سبد سهام است.نتیجه گیری: هدف اصلی در مدیریت سبد سهام، کمک به سرمایه گذار در چیدمان سبد بهینه با توجه به ترجیحات، علایق وی، تجربه های گذشته سرمایه گذاری و محیط تصمیم است؛ از این رو سرمایه گذار همواره به دنبال تشکیل سبدی بهینه است تا مطلوبیت وی را افزایش دهد. با توجه به نتایج به دست آمده در این پژوهش، می توان گفت سبدهایی که با استفاده از اطلاعات حافظه سرمایه گذار و متغیر بازده بازار ایجاد شده اند، در مقایسه با ترجیحات رفتاری و متغیر بازده بازار، از کارایی بیشتری برخوردارند. در مقایسه دوبه دو سبدهای ایجاد شده با معیار حافظه سرمایه گذار و ترجیحات رفتاری، معیار حافظه سرمایه گذار نیز معیار مناسب تری برای بهینه سازی سبد سهام شناخته شد.Modeling Portfolio Optimization based on behavioral Preferences and Investor’s Memory
ObjectiveThe 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. MethodsWe 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. ResultsThe 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. ConclusionThis 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.
تبلیغات
