بهینه سازی پرتفولیو

این پژوهش باهدف ارائه مدلی جهت انتخاب بهینه سبد سرمایه گذاری چند دوره ای با نگرش گشتاور جزئی پایینی به عنوان سنجه ریسک انجام گرفته است. داده های مورد استفاده در این تحقیق شامل بازده های تاریخی شرکت های موجود در بورس اوراق بهادار تهران طی دوره فروردین1393 - فروردین 1398 است که به صورت سبدهای سرمایه گذاری 5-سهمی، 15-سهمی و 25-سهمی مورد بررسی قرار گرفته است. به منظور ایجاد سناریو در این مطالعه از مدل ترکیبی ARIMA-GARCH استفاده شد. جهت بررسی تأثیر مقادیر مختلف گشتاور در سنجه گشتاور جزئی پایینی بر سبدهای سرمایه گذاری، از معیارهای سنجش عملکرد کمی همچون معیار چولگی، معیار شارپ، معیار سورتینو ، معیار ترینر و معیار آلفای جنسن استفاده گردیده است. نتایج حاصل نشان می دهد که با افزایش گشتاور، چولگی مثبت و معیار سورتینو افزایش می یابد. همچنین معیار شارپ نیز با افزایش مقدار گشتاور افزایش می یابد اما بیشترین مقدار آن زمانی حاصل می گردد که از واریانس به عنوان سنجه ریسک استفاده می شود. بیشترین مقدار معیار ترینر زمانی حاصل می شود که آلفا برابر با سه می باشد. معیار آلفای جنسن رابطه معکوسی با افزایش مقدار گشتاور دارند بدین معنا که با افزایش مقدار گشتاور مقادیر آن ها کاهش می یابد.

هدف: مسئله تخصیص دارایی ها، به تصمیم گیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایه گذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایه گذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایه گذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روش های زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین واریانس، به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکال های عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینه سازی سبد سهام است که در شبیه سازی برون نمونه برای بازار سهام ایران، عملکرد برتری داشته باشد.روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسله مراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیل شده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است.یافته ها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره درون نمونه و برون نمونه استفاده شد. نتایج به دست آمده از تحلیل درون نمونه و برون نمونه نشان داد که رویکرد برابری ریسک سلسله مراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد.نتیجه گیری: رویکرد برابری ریسک سلسله مراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایه گذاران، ابزار مهم مدیریت ریسک محسوب می شود. مدیران سبدگردان و سرمایه گذاران نیز می توانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.

در جهان امروز اهمیت مدل های بهینه سازی سبد سرمایه گذاری به صورت فزاینده ای مورد توجه قرار گرفته است. هرچند پیش بینی بازده مورد انتظار گزینه های سرمایه گذاری و در نظر گرفتن آن ها در تابع هدف بیشینه سازی سود امری رایج است لیکن مهم ترین نوآوری پژوهش جاری کمینه سازی خطای پیش بینی به عنوان تابع هدف است. این نوآوری به سرمایه گذاران توصیه می کند که در تشکیل سبد سرمایه گذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیش بینی بودن گزینه های سرمایه گذاری نیز تاکید گردد. ادغام پیش بینی بازده مدل های سری زمانی سنتی در تشکیل پورتفولیو می تواند عملکرد مدل بهینه سازی سبد اصلی را بهبود بخشد. از آنجایی که مدل های یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدل های سری زمانی نشان داده اند، این مقاله پیش بینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظه ی کوتاه مدت طولانی ترکیب می کند. به منظور ارزیابی عملکرد مدل پیشنهادی، داده های تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان می دهد که مدل های بهینه سازی میانگین واریانس با پیش بینی بازدهی به وسیله جنگل تصادفی ، بهتر عمل می کنند.