آرشیو

آرشیو شماره‌ها:
۵۱

چکیده

بهینه سازی پرتفوی به عنوان یکی از چالش های کلیدی در مدیریت سرمایه، با هدف دستیابی به تعادل بهینه بین بازدهی و ریسک، همواره در کانون توجه پژوهش های مالی قرار دارد. اگرچه نظریه پرتفوی مدرن با معرفی چارچوب میانگین واریانس، بنیان های اولیه بهینه سازی را شکل داد، اما پیچیدگی های نوین بازارها، از جمله نوسانات پویا، ریسک های شدید، و وابستگی های غیرخطی، نیاز به روش های پیشرفته تری را آشکار ساخته است. این پژوهش با بهره گیری از مدل کاپولای پویا برای ارزیابی وابستگی های وابسته به زمان دارایی ها و ادغام معیارهای چندهدفه شامل بدترین حالت ارزش در معرض ریسک شرطی (WCVaR) و بازدهی تعدیل شده، دو چارچوب بهینه سازی مبتنی بر الگوریتم فراابتکاری ازدحام ذرات (PSO) و شبکه های مولد تخاصمی (GAN) را ارائه می دهد. هسته روش شناختی این مطالعه، مقایسه سیستماتیک توانایی های PSO و GAN در شناسایی پرتفوی های بهینه است. در حالی که PSO با مکانیزم جستجوی جمعی ذرات، فضای راه حل ها را با تمرکز بر بهبود همزمان نسبت شارپ و کاهش WCVaR کاوش می کند،GAN با استفاده از شبکه های مولد و تشخیصی، الگوهای پیچیده بازار را شبیه سازی کرده و پرتفوی هایی با سازگاری بالاتر با شرایط بحرانی طراحی می نماید. داده های تجربی این پژوهش، مبتنی بر اطلاعات تاریخی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است که در محیط Python پردازش و تحلیل شده اند. یافته های کلیدی نشان می دهند که هر دو مدل PSO و GAN نسبت به روش های کلاسیک مانند مارکویتز و پرتفوی با وزن برابر، برتری چشمگیری دارند. با این حال، GAN با بهبود نسبت شارپ و حفظ مقدار WCVaR در حد مدل PSO عملکرد بهتری از خود نشان می دهد. این شکاف عملکردی ناشی از توانایی GAN در مدلسازی روابط غیرخطی و شناسایی دارایی های با همبستگی منفی در شرایط نوسانی بازار است.

Innovative Stock Portfolio Optimization: An Integrated Approach Using PSO Algorithm and Worst-Case CVaR with Dynamic Copula for Enhanced Performance

Portfolio optimization, as one of the key challenges in investment management, has always been at the forefront of financial research, aiming to achieve an optimal balance between return and risk. Although Modern Portfolio Theory (MPT) laid the foundation for optimization by introducing the mean-variance framework, the complexities of modern markets, including dynamic volatility, extreme risks, and nonlinear dependencies, have highlighted the need for more advanced methods. This study leverages a dynamic copula model to assess time-dependent asset dependencies and integrates multi-objective criteria, including Worst-Case Conditional Value at Risk (WCVaR) and risk-adjusted return, to propose two optimization frameworks based on the Particle Swarm Optimization (PSO) algorithm and Generative Adversarial Networks (GAN). The methodological core of this research is a systematic comparison of the capabilities of PSO and GAN in identifying optimal portfolios. While PSO explores the solution space using a swarm intelligence mechanism, focusing on simultaneously improving the Sharpe ratio and reducing WCVaR, GAN employs generative and discriminative networks to simulate complex market patterns and design portfolios with greater resilience to crisis conditions. The empirical data for this study is based on historical information from companies listed on the Tehran Stock Exchange, processed and analyzed in the Python environment. Key findings indicate that both PSO and GAN models significantly outperform classical methods such as Markowitz and equal-weighted portfolios. However, GAN demonstrates superior performance by improving the Sharpe ratio while maintaining WCVaR levels comparable to those of the PSO model. This performance gap stems from GAN's ability to model nonlinear relationships and identify assets with negative correlations in volatile market conditions.

تبلیغات