مطالب مرتبط با کلیدواژه

بهینه سازی سبدسهام


۱.

بهینه یابی سبد سهام (کاربرد مدل ارزش درمعرض ریسک بر روی کارایی متقاطع)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: کارایی متقاطع بهینه سازی سبدسهام مدل ارزش درمعرض ریسک(VaR)

حوزه های تخصصی:
تعداد بازدید : ۷۶۳ تعداد دانلود : ۴۲۴
مدل مارکوویتز، مبنای رویکرد مدرن در بهینه سازی سبد سهام است. مارکوویتز مدل خود را بر اساس میانگین و واریانس بر روی داده های تاریخی فرموله کرد. از آن زمان تاکنون، پژوهشگران زیادی روش حل مسئله بهینه سازی سبد سهام را بهبود بخشیدند. یکی از مهم ترین بهبود ها، جایگزین کردن شاخص ریسک نامطلوب بجای واریانس است. بهبود دیگری که به تازگی پیشنهادشده، تولید داده بر اساس تحلیل پوششی داده ها و استفاده از داده های تولیدشده به جای بازده تاریخی است. این بهبود جدید که اساساً اساس مسئله انتخاب سبد سهام را تغییر می دهد، فرصتی را فراهم می کند تا پژوهشگران انواع شاخص ریسک را بر روی داده های تولیدشده به جای بازده تاریخی به کارگیرند. در این پژوهش، از تحلیل پوششی داده ها بر اساس صورت های مالی، برای تولید کارایی متقاطع استفاده می شود. سپس ارزش در معرض ریسک که یکی از شاخص های مهم ریسک نامطلوب است، بر روی این مینای جدید، تعدیل شده و با حل مدل خطی شناخته شده آن، وزن های بهینه در سبد سهام تعیین می شود. عملکرد روش پیشنهادی برای 185 شرکت بورس اوراق بهادار تهران در سال های 90 تا 94، توسط معیار شارپ محاسبه شده و با عملکرد سبد بازار و عملکرد روش مارکوویتز بر روی کارایی متقاطع مقایسه می شود. معیار شارپ، عملکرد بهتری برای روش پیشنهادی نسبت به روش های دیگر، نشان می دهد.
۲.

الگوریتم نقطه درونی در بهینه سازی سبد سهام چند هدفه: رویکرد GlueVaR(مقاله علمی وزارت علوم)

کلیدواژه‌ها: الگوریتم نقطه درونی بازده بهینه سازی سبدسهام ریسک

حوزه های تخصصی:
تعداد بازدید : ۱۱۵ تعداد دانلود : ۷۹
هدف: هدف اصلی این پژوهش، بهینه سازی سبد سهام با استفاده از الگوریتم ریاضی نقطه درونی و استفاده از این الگوریتم در حل مسئله بهینه سازی پرتفوی چندهدفه است. روش: داده های این پژوهش، قیمت پایانی روزانه شرکت های فعال بورس اوراق بهادر تهران بود که در انتهای سال ۱۴۰۰، برای محاسبه شاخص ۵۰ شرکت برتر استفاده شد. از آنجا که دوره زمانی مورد مطالعه، سال های ۱۳۹۰ تا ۱۴۰۰ بود، از بین ۵۰ شرکت یادشده، فقط ۳۳ شرکت که در طول دوره بررسی داده های آن ها در دسترس بود، باقی ماند. برای بهبود مدل بهینه سازی نیز از الگوریتم ریاضی نقطه درونی استفاده شد. ریسک سرمایه گذاری در این مدل با معیار GlueVaR محاسبه شد و نتایج به دست آمده از حل مدل با سایر معیارهای اندازه گیری ریسک، همچون واریانس، ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (CVaR) نیز مقایسه شد. یافته ها: بر اساس یافته های پژوهش، در مدل بهینه سازی پرتفوی با معیار سنجش ریسک GlueVaR و الگوریتم بهینه سازی نقطه درونی، در قیاس با دیگر معیارهای ریسک واریانس، ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (CVaR)، در یافتن مرز کارا عملکرد بهتری را نشان می دهد. همچنین الگوریتم نقطه درونی در حل مسائل بهینه سازی دفعات تکرار کمتری را در یافتن نقطه بهینه از خود نشان می دهد که این خود دلیلی بر قوی بودن این الگوریتم است. نتیجه گیری: نتایج حاضر نشان می دهد که الگوریتم نقطه درونی قابلیت دارد که برای حل مسائل بهینه یابی سبد سهام استفاده شود و همچنین، معیار سنجش ریسک GlueVaR در مقایسه با معیارهای سنجش ریسک VaR، واریانس و CVaR می تواند برای بیشتر اشخاص با ترجیحات بازده و ریسک متفاوت، عملکرد بهتری داشته باشد.