طراحی پرتفوی هوشمند با استفاده از مدلهای سرمایه گذاری کمی

منصوریان, رضا; رضائی, نادر; نبوی چاشمی, سیدعلی; پویانفر, احمد; عبدالهی, علی

کد مقاله : FEJ-1909-2343 (R2) بازدید : 233 صفحه: 398 - 425

20.1001.1.22519165.1399.11.44.18.3

نوع مقاله: پژوهشی

طراحی پرتفوی هوشمند با استفاده از مدلهای سرمایه گذاری کمی

محورهای موضوعی : مهندسی مالی

رضا منصوریان ¹ ( گروه حسابداری و مدیریت مالی، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران )
نادر رضائی ² ( گروه حسابداری و مدیریت مالی، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران )
سیدعلی نبوی چاشمی ³ ( گروه مدیریت مالی، واحد بابل، دانشگاه آزاد اسلامی، مازندران، ایران )
احمد پویانفر ⁴ ( گروه مدیریت مالی، دانشگاه خاتم، تهران، ایران )
علی عبدالهی ⁵ ( گروه ریاضی، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران )

تاریخ دریافت : 1398/06/11 تاریخ پذیرش : 1398/07/14 تاریخ انتشار : 1399/07/01

کلید واژه: "پرتفوی هوشمند", "الگوریتم مومنتوم", "فیلتر کالمن",

چکیده مقاله :

در چند دهه گذشته شناسایی متغیرهای حالت و پارامترهای یک مدل از روی داده های اندازه گیری شده، افزایش چشم‌گیری داشته است این رشد گسترده نیاز فزاینده به مدل‌های فراگیر و یکپارچه ایجاد کرده است. دستیابی به رشد مداوم و بلندمدت اقتصادی نیازمند تخصیص بهینه منابع می باشد و این مهم بدون استفاده از بازارهای مالی، به ویژه بازار سرمایه کارآمد امکان پذیر نیست لذا بهینه‌سازی پرتفوی و تخصیص ثروت بین دارایی‌های مختلف از جمله مهمترین مسایل در سرمایه‌گذاری بحساب می آید. در این پژوهش سعی شده است تا در جهت اجرای پرتفوی مالی هوشمند روش‌های موجود بهینه سازی را براساس عملکرد نسبت شارپ ارتقا داده و روش هوشمندی برای انجام معاملات براساس الگوریتم‌های مختلف ارایه گردد. برای این منظور، ابتدا یک مدل سرمایه‌گذاری کمی با استفاده از الگوریتم مومنتوم و مدل سرمایه گذاری بلندمدت در یک افق زمانی 6 ساله با استفاده از داده‌های ماهانه سازمان بورس اوراق بهادار ایجاد نموده و سپس مجموعه ای از مدل‌های هوشمند (توابع کلی ، میانگین کلی و الگوریتم کلی با فیلترکالمن) ایجاد می شود که میزان سرمایه را با استفاده از الگوهای هوشمند برای به حداکثر رسانیدن بازده و جلوگیری از سرمایه گذاری در سهام های با بازده منفی محاسبه نموده و تحصیص بهینه سرمایه دهد که ساختار پیشنهادی عملکرد بهتری نسبت به سایر الگوریتم های مرسوم داشته و می توان آن را جایگزین این روش ها کرد و به نتایج مطلوب تر دست یافت نهایتاً نتایج نشان دهنده کارایی و بهینه بودن مدل پیشنهادی می باشد.

چکیده انگلیسی:

In the past few decades, the identification of state variables and parameters of a model from measured data has increased dramatically. This widespread growth has created a growing need for integrated models. Achieving sustained and long-term economic growth requires optimal resource allocation, and this is not possible without the use of financial markets, especially efficient capital markets, so portfolio optimization and wealth allocation between different assets are among the most important issues in investing. In this research, in order to implement smart financial portfolio, it is tried to improve the existing optimization methods based on Sharp Ratio performance and to present an intelligent method for trading based on different algorithms. For this purpose, first, create a quantitative investment model using momentum algorithm and long-term investment model over a 6-year time horizon using monthly stock exchange data and then a set of smart models (general functions, general average and The general algorithm (developed by Kalman filter), which calculates the amount of capital using smart patterns to maximize return and avert negative return on equity investments and optimize capital investing to make the proposed structure perform better than other algorithms. Conventional and can fit and alternative approaches to achieve better results finally, the results indicate that the proposed model is effective and efficient.

منابع و مأخذ:

آقایی فر، نگار؛ محمدپور زرندی، محمد ابراهیم؛ (1398)، استفاده از الگوریتم ترکیبی سری های زمانی فازی برای پیش بینی قیمت سهام و مقایسه آن با قیمت های سهام محاسبه شده با الگوریتم نسبت طلایی در شرکت های پذیرفته شده بورس تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 36.

امیری، مقصود؛ حدادیان، حمیدرضا؛ زندیه، مصطفی؛ رئیس زاده، علی(1395)، ارائه مدل معامله هوشمند در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکه عصبی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره بیست و هفتم .

پاکیزه، کامران؛ رحمانی، میلاد؛ عزیززاده، فاطمه(1396)، بررسی اثر سبک های سرمایه گذاری و تشکیل پرتفوی بهینه با استفاده از شاخص های تکنیکی و نسبت های بنیادی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال ششم، شماره 21، بهار 1396.

تهرانی،رضا، عسگر نوربخش، مدیریت سرمایه گذاری، چالز پی جونز، نگاه دانش، 1388.

تهرانی، رضا؛ هندیجانی زاده، محمد؛ نوروزیان لکوان، عیسی(1393)، ارائه رویکردی جدید برای مدیریت فعال پرتفوی وانجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال چهارم، شماره سیزدهم.

تهرانی، رضا؛ فلاح تفتی، سیما, آصفی، سپهر(1397)، بهینه سازی سبدسهام به کمک الگوریتم فراابتکاری دسته های میگو ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﻴﺎرﻫﺎی ﻣﺨﺘﻠﻒ از رﻳﺴﻚ در بورس اوراق بهادار تهران، ﻓﺼﻠﻨﺎﻣﻪ ﺗﺤﻘﻴﻘﺎت ﻣﺎﻟﻲ ، (20)،4، 426-409.

حیدری، حسن؛ ملابهرامی، احمد(1391) نگرشی پویا بر ارزش در معرض خطر پرتفوی سهام بر پایه مدلهای حالت فضا و فیلتر کالمن، سومین کنفرانس ریاضیات مالی و کاربردها، 11 و 12 بهمن ماه، دانشگاه صنعتی شریف.

خضری، محسن؛ سحابی، بهرام؛ یتوری، کاظم و حیدری، حسن(1394)؛ بررسی اثرات متغیر زمانی تعیین کننده های تورم:مدل های فضا – حالت، فصلنامه مدلسازی اقتصادی، سال نهم، شماره 2 پیاپی، 30، صص 25-46.

جمشیدی عینی، عصمت و خالورزاده، حمید(1395)؛ بررسی روش های هوشمند در حل مساله سبد سهام مقید در بازار سهام تهران، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال نهم، شماره سی و یکم، پائیز 1395.

دستوری، مجتبی، فلاحپور، سعید، تهرانی، رضا، مهرگان، محمدرضا، (1397)، الگوریتم معاملات زوجی پربسامد با استفاده از کنترل کیفیت آماری فازی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 37.

فلاح شمس، میرفیض، عطایی، یونس (1392) ، مقایسه کارائی معیارهای استراتژی شتاب )مومنتوم( در انتخاب پرتفوی مناسب" مجله مهندسی مالی و مدیریت اوراق بهادار.

قاسمی دشتکی، مهسا (1387)، پیش بینی قیمت گذاری عرضه های عمومی اولیه، ترکیب شبکه های عصبی و الگوریتم ژنتیک، پایان نامه کارشناسی ارشد، رشته حسابداری دانشگاه تهران.

رهنمای رودپشتی، فریدون؛ نیکومرام، هاشم؛ طلوعی اشلقی، هاشم؛ حسین زاده لطفی، فرهاد؛ بیات، مرضیه(1394)؛ بررسی کارایی بهینه سازی پرتفوی براساس مدل پایدار با بهینه سازی کلاسیک در پیش بینی ریسک و بازده پرتفوی، مجله مهندسی مالی و مدیریت اوراق بهادار شماره بیست و دوم، بهار 1394.

رهنمای روپشتی، کاظم چاوشی، ابراهیم صابر (1393) " بهینه سازی پرتفوی متشکل از سهام صندوقهای سرمایه گذاری مشترک بورس اوراق بهادار تهران با رویکرد الگوریتم ژنتیک"، فصلنامه دانش سرمایه گذاری، سال سوم، شماره دوازدهم.

راعی، رضا و سعیدی علی(1391)، مبانی مهندسی مالی و مدیریت ریسک. چاپ پنجم، تهران: انتشارات:سمت؛ 83

Asmerilda Hitaj, Giovanni Zambruno, (2016), Are Smart Beta strategies suitable for Hedge Funds portfolios?, Review of Financial Economics, doi:10.1016/j.rfe.2016.03.001

Achelis(2000). Journal of Accounting Research. s.l.: Vision Books,

Ang A., Chen J. and Xing Y. (2006). Downside Risk: Review of Financial Studies, 19(4), 1191-1239.

Black, F. (1972). Capital Market Equilibrium with Restricted Borrowing. s.l.: Journal of Finance,. 45(3), 444-455.

Chetran saran mehra, adam prugel , Bennett, (2016), Constructing Smart Portfolios From Data Driven Quantitative Investment Models, A thesis submitted in partial ful_llment for the degree of Doctor of Philosophy.

Raza , Muhammad Wajid & Ashraf, Dawood, (2018). "Does the Application of Smart Beta Strategies Enhance Portfolio Performance? The Case of Islamic Equity Investments," Working Papers 2018-1, The Islamic Research and Teaching Institute (IRTI).

Baba, T. Kawachi, T. Nomura, Y. Sakatani, (2004), “Utilization of NNs & Gas for improving the traditional technical analysis in the financial market”, SICE annual Conference, 2(2), 1409-1412.

Torrubiano, R.and Suarez ,A(2008).”A Hybrid Optimization Approach to Index Tracking”, Operation Research Journal, 166

Fabozzi, F. J. & Markowitz, H. M. (2011). Equity Valuation and Portfolio Management. Vol. 199. John Wiley & Sons.

Hirabayashi, A., Aranha, C., & Hitoshi, I. (2009). Optimization of the trading rule in foreign exchange using genetic algorithm. . s.l.: ACM Genetic and Evolutionary Computation,. 1529-1536.

Huang, C., Chang, C., Li, Kuo, Bo, Lin, Hsieh, T., & Chang, B. (2012). A genetic-search model for first-day returns using fundamentals. . s.l.: Machine Learning and Cybernetics, 5, 1662-1667.

Kaucic, M. (2012). Portfolio management using artificial trading

Huck, N. & Afawubo, K. (2015). Pairs trading and selection methods: is cointegration superior? Applied Economics. 47(6): pp: 599-613.

Harry Markowitz, 1991, Portfolio selection: efficient diversification of investments, Wiley-Blackwell.

Hon, M.T., I. tonks (2003). “Momentum in the UK stock markets”, Journal of Multinational Financial Management. 13 (1):43-70.

Jegadeesh, N. and Titman, S. (1993). Returns to buying winners and selling losers: implications for stock market efficiency, Journal of Finance, Vol. 48, pp. 65-91.

Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of basic Engineering. 82(1): 35-45.

Simpson, P.W., & Osborn, D.R., & Sensier, M. (2001). Modelling businesscycle movements in the UK economy. Economica, 68: 243-267.

Usta, I., Y.M. Kantar (2011). Mean-Variance-Skewness-Entropy Measures: A Multi-Objective Approach for Portfolio Selection, Entropy. 13: 117-133.

F. Sharpe, “Capital asset prices: A theory of market equilibrium under conditions of risk,” The Journal of Finance, pp. 425–442, 1964.

Ross and R. Roll, “The arbitrage theory of capital asset pricing,” Journal of Economic Theory, vol. 13, pp. 341–360, 1976.

MacLean, E. O. Thorp, and W. T. Z. W. T., The Kelly Capital Growth Investment Criterion, L. MacLean, E. O. Thorp, and W. T. Z. W. T., Eds.

World Scientific Press, 2011.

T. Moskowitz, Y. H. Ooib, and L. Pedersenb, “Time series momentum,” Journal of Financial Economics, vol. 104, pp. 228–250, 2011.

Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, “Pairs trading: Performance of a relative-value arbitrage rule,” Review of Financial Studies, vol. 19, pp. 797–827, 2006.

Kelly, “A new interpretation of information rate,” Information Theory, vol. 2, pp. 185–189, 1956.

_||_