طراحی پرتفوی هوشمند با استفاده از مدلهای سرمایه گذاری کمی

الموضوعات :

رضا منصوریان ¹ , نادر رضائی ² , سیدعلی نبوی چاشمی ³ , احمد پویانفر ⁴ , علی عبدالهی ⁵

1 - گروه حسابداری و مدیریت مالی، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران
2 - گروه حسابداری و مدیریت مالی، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
3 - گروه مدیریت مالی، واحد بابل، دانشگاه آزاد اسلامی، مازندران، ایران
4 - گروه مدیریت مالی، دانشگاه خاتم، تهران، ایران
5 - گروه ریاضی، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران

تاريخ الإرسال : 03 الإثنين , محرم, 1441 تاريخ التأكيد : 07 الأحد , صفر, 1441 تاريخ الإصدار : 05 الثلاثاء , صفر, 1442

الکلمات المفتاحية: "پرتفوی هوشمند", "الگوریتم مومنتوم", "فیلتر کالمن",

ملخص المقالة :

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.

المصادر:

• 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.

• 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.


•  


• 1) Aghaei Far, Negar; Mohammadpour Zarandi, Mohammad Ibrahim; (2018), using the combined algorithm of fuzzy time series to predict the stock price and comparing it with the stock prices calculated with the golden ratio algorithm in the listed companies of Tehran Stock Exchange, Financial Engineering and Securities Management Quarterly, No. 36.


• 2) Amiri, Maqsood; Haddadian, Hamidreza; Zandieh, Mustafa; Raeeszadeh, Ali (2016), presentation of smart transaction model in financial markets based on genetic algorithm, fuzzy logic and neural network, financial engineering and securities management journal, twenty-seventh issue.


• 3) Pakizeh, Kamran; Rahmani, Milad; Azizzadeh, Fatemeh (2016), Investigating the effect of investment styles and optimal portfolio formation using technical indicators and fundamental ratios, Danesh Investment Quarterly, 6th year, number 21, spring 2016.


• 4) Tehrani, Reza, Asgar Nourbakhsh, Investment Management, Charles P. Jones, Negah Danesh, 2018.


• 5) Tehrani, Reza; Handijanizadeh, Mohammad; Nowrozian Lakvan, Isa (2013), presenting a new approach for active portfolio management and smart stock trading with an emphasis on the attitude of feature selection, Investing Science Research Quarterly, 4th year, 13th issue.


• 6) Tehrani, Reza; Falah Tafti, Sima, Asefi, Sepehr (2017), Optimizing the stock market using the meta-heuristic algorithm of shrimp groups using different risk criteria in Tehran Stock Exchange, Financial Research Bulletin, (20), 4, 426-409.


• 7) Heydari, Hassan; Molabahrami, Ahmed (2013) A dynamic approach to the value at risk of the stock portfolio based on state space models and the Kalman filter, the third conference on financial mathematics and applications, 11th and 12th of Bahman, Sharif University of Technology.


• 8) Khazri, Mohsen; Sahabhi, Bahram; Yeturi, Kazem and Heydari, Hassan (2014); Investigating the time-varying effects of inflation determinants: state-space models, Economic Modeling Quarterly, 9th year, 2 consecutive issues, 30, pp. 25-46.


• 9) Jamshidi Eini, Esmet and Khalourzadeh, Hamid (2015); Investigating smart methods in solving the problem of the restricted stock portfolio in the Tehran stock market, financial research quarterly of securities analysis, year 9, number 31, fall 2015.


• 10) Dasori, Mojtabi, Fallahpour, Saeed, Tehrani, Reza, Mehrgan, Mohammad Reza, (2017), High-Frequency Pair Trading Algorithm Using Fuzzy Statistical Quality Control, Financial Engineering and Securities Management Quarterly, No. 37.


• 11) Fallah Shams, Mirfaiz, Ataei, Younes (2012), comparing the effectiveness of momentum strategy criteria in choosing the right portfolio" Journal of Financial Engineering and Securities Management.


• 12) Ghasemi Dashtaki, Mahsa (2007), forecasting the pricing of initial public offerings, the combination of neural networks and genetic algorithms, Master's Thesis, Department of Accounting, University of Tehran.


• 13) Rahnema Rodpashti, Fereydon; Nikumram, Hashem; Toloi Ashlaghi, Hashem; Hosseinzadeh Lotfi, Farhad; Bayat, Marzieh (2014); Investigating the effectiveness of portfolio optimization based on the stable model with classical optimization in predicting portfolio risk and return, Journal of Financial Engineering and Securities Management, Number 22, Spring 2014.


• 14) Rahnemai Rupeshti, Kazem Chavoshi, Ebrahim Saber (2013) "Optimization of portfolio consisting of shares of mutual funds of Tehran Stock Exchange with genetic algorithm approach", Investment Science Quarterly, 3rd year, 12th issue.


• 15) Rai, Reza and Saeedi Ali (2012), Financial engineering and risk management basics. Fifth edition, Tehran: Publications: Samat; 83