فرید تندنویس

امروزه با توسعه تجارت الکترونیک و ظهور الزاماتی مانند فناوری های نوین بانکی و افزایش درآمدهای کارمزدی در صنعت بانکداری، توسعه رقابتی بانکداری الکترونیکی و بهره مندی از منافع آن اهمیت بالایی دارد. با توجه به مطلوبیت درآمد های کارمزدی برای بانک ها، یکی از برنامه های اصلی آن ها در ایران، تمرکز بر بهره برداری بیشتر از بانکداری الکترونیکی و سرمایه گذاری در این حوزه برای حضور در میدان رقابت داخلی و خارجی است. بر همین اساس هدف اصلی تحقیق حاضر ارزیابی نقش مؤلفه های رقابتی در بانکداری الکترونیکی و تأثیر هر یک از این مؤلفه ها در رقابت پذیری بانک ها است. نوع تحقیق توصیفی- پیمایشی است و جامعه آماری آن را کارشناسان ستاد بانک های خصوصی ایران تشکیل می دهند. داده های مورد نیاز تحقیق از طریق توزیع پرسش نامه بین نمونه های مورد نظر و در دسترس حاصل شد و از تحلیل عاملی تأییدی برای تجزیه و تحلیل داده ها بهره گرفته شد. نتایج تحقیق نشان داد که مؤلفه های تأثیرگذار در دو بعد سخت و نرم و فراتر از زیرساخت های مبتنی بر فناوری، بر رقابت پذیری بانک ها در بانکداری الکترونیکی تأثیر می گذارد و موفقیت در رقابت پذیری نیازمند هدایت راهبردی در این زمینه است.

ردیابی شاخص در واقع شکل ایجاد سبد سهامی متشکل از تعداد محدودی سهم است که هدف از تشکیل این سبد سهام، ایجاد روند بازدهی مشابه با شاخص می باشد. منظور از ردیابی شاخص بهبودیافته، ایجاد پرتفویی با بازده بالاتر نسبت به بازده شاخص در کمترین سطح خطای ردیابی بدون خریدن تمامی سهام موجود در شاخص می باشد. هدف از نگارش مقاله پیش رو، ارائه مدلی دو مرحله ای بر اساس برنامه ریزی ترکیبی عدد صحیح است که عملکرد پرتفوی را نسبت به روش یک مرحله ای بهبود بخشد. مرحله اول از این مدل دو مرحله ای مربوط به کمینه سازی خطای ردیابی و مرحله دوم مربوط به بیشنیه سازی بازده تحت مقادیر تلورانس مجاز برای خطای ردیابی می باشد. برای نشان دادن کارایی مدل پیشنهادی از شاخص 50 شرکت فعال بورس اوراق بهادار تهران استفاده شده است. در بعد حل مساله از الگوریتم جستجوی مستقیم و ژنتیک استفاده شده است. معیارهای ارزیابی عملکرد پرتفوی مورد استفاده در این پژوهش شامل میانگین بازدهی، خطای ردیابی، بازده اضافی و نسبت اطلاعاتی می باشد. یافته های پژوهش نشان گر عملکرد بهتر مدل دو مرحله ای پیشنهادی نسبت به مدل یک مرحله ای می باشد. همچنین با استفاده از مقایسه ی معیارهای ارزیابی، کارایی الگوریتم جستجوی مستقیم نشان داده شده است.

 فرایند تشکیل پرتفویی از سهم های تشکیل دهنده شاخص به گونه ای که عملکرد آن شاخص را بازسازی کند، ردیابی شاخص نامیده می شود. پرتفوی ردیاب شاخص به طور نسبی از تنوع خوبی برخوردار است و حجم معاملات و هزینه معاملاتی پایینی دارد. این پژوهش مدل برنامه ریزی صفر و یک را به منظور تحلیل مسئله ردیابی شاخص بررسی می کند. در این مدل تعداد دارایی های مورد نظر برای تشکیل پرتفوی را مدیر سرمایه گذاری تعریف می کند. به منظور درنظرگرفتن عدم قطعیت ضریب همبستگی بین دارایی ها به عنوان ورودی مدل، که دربرگیرنده خطای پیش بینی است، از رویکرد بهینه سازی استوار استفاده می شود. نتایج آزمون خارج از نمونه بر اساس شاخص پنجاه شرکت فعال تر بورس اوراق بهادار تهران در سال 1392 نشان می دهد که درنظرگرفتن این عدم قطعیت با استفاده از رویکرد بهینه سازی استوار عملکرد مدل را بر مبنای معیارهای نسبت اطلاعاتی و خطای ردیابی بهبود می بخشد.

هدف: تشکیل پرتفوی شاخصی ارتقایافته، به عنوان یکی از استراتژی های مدیریت سرمایه گذاری، سعی در ترکیب مزایای دو رویکرد فعال و غیرفعال دارد. این پژوهش، به دنبال ارائه یک مدل دومرحله ای است که بتواند در مرحله نخست، عملکرد شاخص را با تعداد کمتری از سهام تشکیل دهنده شاخص بازسازی نماید و در مرحله دوم، اوزان پرتفوی شاخصی ارتقایافته را محاسبه کند.روش: در مرحله نخست، با استفاده از یک مدل برنامه ریزی ریاضی صفر و یک به منظور خوشه بندی سری های زمانی، پرتفوی ردیاب شاخص شکل گرفت. معیارهای ضرایب هم بستگی مبتنی بر کاپولا و همچنین اطلاعات متقابل به عنوان شاخص های شباهت سری های زمانی در این مرحله استفاده شدند. در مرحله دوم، اوزان سرمایه گذاری در سهم های منتخب، به گونه ای مشخص شد که بازده مازاد پرتفوی نسبت به پرتفوی شاخصی ایجادشده در مرحله اول (نماینده شاخص)، بیشینه شود. عدم قطعیت ناشی از تخمین بازده مازاد سهم ها در مرحله دوم، با استفاده از رویکرد بهینه سازی استوار در نظر گرفته شده است.یافته ها: نتایج آزمون خارج از نمونه روی شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران، در بازه زمانی بهار 1394 تا بهار 1397 با استفاده از خطای ردیابی و نسبت بازار، نشان از این موضوع دارد که علاوه بر موفقیت معیارهای شباهت ذکرشده در خوشه بندی سری های زمانی و تشکیل پرتفوی مبتنی بر شاخص، در سطح اطمینان 99 درصد، پرتفو های شاخصی ارتقایافته مبتنی بر ضرایب هم بستگی کاپولای نرمال، تی و کلایتون دارای اختلاف بازده مثبت معنادار با شاخص هستند.نتیجه گیری: استفاده از ضرایب هم بستگی مبتنی بر کاپولا و همچنین رویکرد بهینه سازی استوار به منظور درنظرگرفتن عدم قطعیت پارامترها، در تشکیل پرتفوی شاخصی ارتقایافته، موفق عمل می کند.

ردیابی شاخص که به عنوان یکی از روش های مدیریت غیرفعال سرمایه گذاری شناخته شده است، به دنبال تشکیل پرتفوی، به گونه ای است که در طول زمان با کمترین میزان خطا، بازده ای نزدیک به شاخص داشته باشد. در این پژوهش به بررسی کاربرد یک مدل برنامه ریزی صفر و یک در خوشه بندی سری های زمانی به منظور تشکیل پرتفوی ردیاب شاخص پرداخته شده است. به منظور فرایند خوشه بندی، معیار های متنوع سنجش شباهت سری های زمانی از جمله، ضرایب همبستگی مبتنی بر کاپولا همچنین فاصله مبتنی رویکردهای پویا در سنجش شباهت سری های زمانی، مورد استفاده قرار گرفته است. آزمون خارج از نمونه بر روی نسبت بازار و خطای ردیابی پرتفوهای مبتنی بر شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران در بازه زمانی ابتدای سال 1394 تا پایان بهار سال 1397 نشان از این موضوع دارد که پرتفو ها در ردیابی شاخص موفق عمل نموده اند و متوسط خطای ردیابی روزانه پرتفوها دارای تفاوت معنی داری با یکدیگر نیست. همچنین آزمون سخت گیرانه مقایسات زوجی بر روی خطای ردیابی پرتفو ها نیز نشان از این موضوع دارد که خطای ردیابی پرتفو ها با یکدیگر تفاوت معنی دار ندارد.

هدف: این پژوهش با استفاده از رویکرد پیش بینی احتمالاتی و بهینه سازی استوار، به منظور در نظر گرفتن عدم قطعیت پارامترهای مدل بهینه سازی پرتفوی در بازار سرمایه ایران انجام شده است. تمرکز اصلی این پژوهش، بر ارتقای عملکرد پرتفوی با لحاظ عدم قطعیت و بهره گیری از مدل های یادگیری ماشین، برای ساخت پرتفوهایی با نسبت شارپ بیشینه در بازار سرمایه ایران است. روش: در این مطالعه، دو رویکرد رایج به منظور در نظر گرفتن عدم قطعیت پارامترها در مدل بهینه سازی پرتفوی استفاده شده است. نخستین رویکرد رایج، رویکرد بهینه سازی استوار است که برای هر پارامتر، یک مجموعهعدم قطعیت ترسیم می کند و مسئله را به گونه ای تحلیل می کند که جواب ایجاد شده در شرایط بدبینانه پارامترها نیز بهینه باشد. رویکرد دیگر، مدل یادگیری ماشین پیشرفته تقویت سازی گرادیان طبیعی و استفاده خروجی آن در رویکرد پیش بینی احتمالاتی است. ورودی های این مدل، پنج اندیکاتور تکنیکال، از جمله شاخص قدرت نسبی، میانگین متحرک همگرایی/ واگرایی، میانگین محدوده واقعی، میانگین موزون قیمت معاملات و مومنتوم در نظر گرفته شده است. تحلیل تکنیکال یکی از رویکردهای اصلی در بررسی و پیش بینی روند بازارهای مالی است که بر پایه مطالعه و ارزیابی داده های تاریخی قیمت و حجم معاملات شکل گرفته است. در این روش فرض بر این است که تمام اطلاعات بنیادی و روانی بازار در قیمت ها منعکس می شود و حرکت قیمت ها، الگوهایی تکرارپذیر و قابل شناسایی ایجاد می کنند. این پژوهش در ده صنعت اعم از فلزات اساسی، پالایش فراورده های نفتی، بانک و مؤسسه های اعتباری، پتروشیمی و مواد شیمیایی، خودرو، سیمان، دارو، فلزات گران بها، لاستیک و پلاستیک و کانی های فلزی انجام شده است. صنایع نام برده، جزء بزرگ ترین صنایع بازار سرمایه ایران هستند و از منظر ارزش بازار، بخش عمده ای از بازار سرمایه را شامل می شوند. صنایع یاد شده، طیف گسترده ای از حوزه های تولیدی و خدماتی را دربرمی گیرند که هریک در اقتصاد و توسعه صنعتی کشور نقشی بنیادی دارند. در مجموع، هم افزایی این صنایع تنوع بخشی به اقتصاد، ارزآوری، اشتغال و توسعه پایدار را تقویت می کند. پس از پیاده سازی مدل های استوار و پیش بینی احتمالاتی در بهینه سازی پرتفوی، عملکرد نتایج با دو پرتفوی مبنای وزن برابر و مدل میانگین واریانس مارکوویتز با استفاده از شاخص شارپ مقایسه شد. یافته ها: با در نظر گرفتن داده های فروردین ۱۴۰۱ تا فروردین ۱۴۰۳، به عنوان داده های آموزش (در مدل گرادیان طبیعی تقویت شده) و تخمین پارامترها (در مدل بهینه سازی استوار) و داده های سال ۱۴۰۳ به عنوان تست، پرتفوهای هر ۱۰ صنعت تشکیل و بازده و ریسک آن ها با رویکرد خارج از نمونه محاسبه شد. مقایسه نتایج پرتفوها نشان داد که هر دو رویکرد ارائه شده در پژوهش، نسبت به پرتفوی های مبنا در سطح معناداری ۹۹ درصد، شاخص شارپ بیشتری دارند. نتیجه گیری: این پژوهش نشان داد که استفاده از پیش بینی های توزیعی به جای نقطه ای و ترکیب آن با استراتژی های بتای هوشمند و همچنین، در نظر گرفتن عدم قطعیت پارامترها در مدل های بهینه سازی پرتفوی، به ساخت پرتفویی با نسبت بازده به ریسک بالاتر منجر می شود و این عملکرد برتر در سطح معناداری ۹۹ درصد معنادار است. همچنین بر این اساس می توان نتیجه گرفت استفاده از شاخص های تکنیکال به عنوان عوامل اثرگذار بر بازده، می تواند در پیش بینی بازده موفق عمل کند و بهره برداری از آن ها به منظور تشکیل پرتفوی بتای هوشمند، به پرتفویی با عملکرد بهتر منتج می شود.