بهینه سازی و مدیریت فعال پابرجای سبد سرمایه گذاری با استفاده از الگوریتم کلونی زنبور عسل؛ مورد مطالعاتی: بورس اوراق بهادار تهران

الموضوعات :

محمد حسین رنجبری وحید ¹ , سید جلال صادقی شریف ² , رضا عیوض لو ³ , محسن مهرارا ⁴

1 - گروه مدیریت مالی، دانشکده پردیس البرز، دانشگاه تهران، کرج، ایران
2 - گروه مدیریت مالی و حسابداری ، دانشکده حسابداری و مدیریت ، دانشگاه شهید بهشتی ، تهران ، ایران
3 - گروه مدیریت مالی و بیمه ، دانشکده مدیریت ، دانشگاه تهران ، تهران ، ایران
4 - گروه اقتصاد ، دانشکده اقتصاد ، دانشگاه تهران ، تهران ، ایران

تاريخ الإرسال : 13 الأحد , ربيع الأول, 1441 تاريخ التأكيد : 25 الأربعاء , جمادى الثانية, 1441 تاريخ الإصدار : 29 الأحد , شوال, 1441

الکلمات المفتاحية: عدم قطعیت, سبد سرمایه گذاری, ارزش در معرض خطر شرطی, کلمات کلیدی: برنامه ریزی پابرجا, مدیریت فعال,

ملخص المقالة :

چکیدهمطابق نظریه مارکویتز، امکان پیش بینی بازار سرمایه در آینده وجود نداشته و سرمایه گذاران باید به منظور کنترل ریسک سرمایه گذاری، به تشکیل پرتفو بپردازند. در تحقیقات اخیر، توسعه های زیادی روی مدل اولیه پرتفوی مارکویتز از حیث مدلسازی و روش حل ایجاد کرده اند. از جمله اینکه از سنجه های ریسک طیفی همچون ریزش مورد انتظار و ارزش در معرض خطر برای سنجش ریسک استفاده می شود. همچنین، مدل های متنوع فازی، احتمالی و پابرجا برای در نظر گرفتن عدم قطعیت سنجش ریسک و بازدهی توسعه داده شده اند که خطای پیش بینی و ریسک رخداد بحران در خصوص پرتفو را کاهش می دهند. اما به جز تشکیل سبد بهینه سرمایه گذاری، نیاز است که مدل های پابرجا در خصوص مدیریت فعال سبد سرمایه گذاری نیز توسعه داده شود. در تحقیق حاضر، یک مدل تشکیل سبد پابرجا و یک مدل مدیریت فعال پابرجای سبد توسعه داده شده و به حل آن با استفاده از روش فراابتکاری کلونی زنبور عسل پرداخته شده است. بر اساس نتایج به دست آمده، روش پیشنهادی هم در مرحله تشکیل سبد بهینه و هم در مرحله مدیریت آن، از روش های کلاسیک، عملکرد بهتری نشان داده است.

المصادر:

1. Lotfi, Somayyeh, and Stavros A. Zenios. "Robust VaR and CVaR optimization under joint ambiguity in distributions, means, and covariances." European Journal of Operational Research2 (2018): 556-576.


2. Bertsimas, D., & Sim, M. (2004). The price of robustness. Operations research, 52(1), 35-53.


3. Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.


4. Lin, C. M., & Gen, M. (2007). An effective decision-based genetic algorithm approach to multiobjective portfolio optimization problem. Applied Mathematical Sciences, 1(5), 201-210.


5. Lin, C. C., & Liu, Y. T. (2008). Genetic algorithms for portfolio selection problems with minimum transaction lots. European Journal of Operational Research, 185(1), 393-404.


6. Hao, F. F., & Liu, Y. K. (2009). Mean-variance models for portfolio selection with fuzzy random returns. Journal of Applied Mathematics and Computing, 30(1-2), 9.


7. Chang, T. J., Yang, S. C., & Chang, K. J. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with Applications, 36(7), 10529-10537.


8. Ben-Tal, A., Margalit, T., & Nemirovski, A. (2000). Robust modeling of multi-stage portfolio problems. In High performance optimization(pp. 303-328). Springer, Boston, MA.


9. Karaboga, D., & Akay, B. (2009). A comparative study of artificial bee colony algorithm. Applied mathematics and computation, 214(1), 108-132.


10. Peykani, P., & ROGHANIAN, E. (2015). THE APPLICATION OF DATA ENVELOPMENT ANALYSIS AND ROBUST OPTIMIZATION IN PORTFOLIO SELECTION PROBLEMS.


11. Lin, C. M., & Gen, M. (2007). An effective decision-based genetic algorithm approach to multiobjective portfolio optimization problem. Applied Mathematical Sciences, 1(5), 201-210.


12. Ben-Tal, A., & Nemirovski, A. (1999). Robust solutions of uncertain linear programs. Operations research letters, 25(1), 1-13.


13. Peykani, P., & ROGHANIAN, E. (2015). THE APPLICATION OF DATA ENVELOPMENT ANALYSIS AND ROBUST OPTIMIZATION IN PORTFOLIO SELECTION PROBLEMS.