بهینه یابی سبد دارایی شامل سهام شرکت های منتخب در بورس اوراق بهادار تهران و رمز ارزها (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در بازارهای مالی، سرمایه گذاران به دنبال بهینه سازی سبد دارایی خود با هدف حداکثرسازی بازدهی و حداقل سازی ریسک هستند. نظریه های مدرن مانند مدل میانگین-واریانس مارکویتز، باوجود موفقیت در معرفی مفاهیم اساسی مدیریت سبد، در مواجهه با بازدهی های غیرنرمال و بازارهای پرنوسان محدودیت هایی دارند. این پژوهش به بررسی عملکرد دو نوع سبد سرمایه گذاری شامل سبد ترکیبی (سهام بورس تهران و رمزارزها) و سبد صرفاً سهامی بورس تهران در دو حالت حداقل ریسک و پذیرش ریسک بیشتر پرداخته است. استفاده از مدل های پیشرفته مانند RNN و GARCH، برای پیش بینی بازدهی و ارزیابی ریسک، به شناسایی ترکیب های بهینه دارایی کمک کرده است. یافته ها نشان می دهد که سبد ترکیبی در هر دو حالت بازدهی مثبت ارائه داده است: در حالت حداقل ریسک بازدهی 3% و ریسک 8% و در حالت پذیرش ریسک بیشتر بازدهی 5% و ریسک 11%. در مقابل، سبد صرفاً سهامی در حالت حداقل ریسک بازدهی منفی 3% داشته، اما در حالت پذیرش ریسک بیشتر با بازدهی 9% عملکرد بهتری نشان داده است. همچنین، همبستگی پایین میان سهام و رمزارزها تأثیر مثبتی در کاهش ریسک کلی سبد داشته است. این نتایج نشان می دهد که حرکت به سمت ترکیب دارایی های متنوع، به ویژه شامل رمزارزها، می تواند پایداری و بازدهی سبد سرمایه گذاری را افزایش دهد. پژوهش حاضر استفاده از روش های نوین بهینه سازی و مدیریت ریسک را برای سرمایه گذاران و سیاست گذاران مالی پیشنهاد می کند.Optimizing a Portfolio Comprising Selected Stocks from the Tehran Stock Exchange and Cryptocurrencies
Investors in financial markets aim to optimize portfolios to maximize returns and minimize risks. Modern portfolio theories, such as Markowitz's mean-variance model, offer foundational concepts but struggle with non-normal return distributions and volatile markets. This study evaluates two portfolio types: a mixed portfolio (Tehran Stock Exchange stocks and cryptocurrencies) and a purely stock-based portfolio under minimum risk and higher risk tolerance scenarios. Advanced models like Recurrent Neural Networks (RNN) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH) were applied to predict returns and assess risks, identifying efficient asset combinations. The mixed portfolio achieved positive returns in both scenarios. In the minimum risk scenario, it delivered a 3% return with 8% risk, and in the higher risk tolerance scenario, a 5% return with 11% risk. In contrast, the purely stock-based portfolio showed a negative 3% return in the minimum risk scenario but improved in the higher risk tolerance scenario, achieving a 9% return with 10% risk. The low correlation between stocks and cryptocurrencies significantly reduced the mixed portfolio's overall risk. This research underscores the benefits of diversification by including cryptocurrencies with traditional assets, improving portfolio stability and performance. It highlights the importance of advanced techniques like RNN for return prediction and GARCH for conditional risk assessment. The findings offer actionable insights for investors and policymakers, promoting mixed portfolios for more sustainable and resilient investment strategies.
تبلیغات
