مدیریت ریسک با استفاده از شاخص قدرت نسبی مبتنی بر سبد میانگین-واریانس
سید محمد رضا داودی
1
(
دانشیار گروه مدیریت ،واحد دهاقان ،دانشگاه آزاد اسلامی ،دهاقان ،ایران.
)
الکلمات المفتاحية: تحلیل تکنیکال, شاخص قدرت نسبی, سبد میانگین-واریانس, شاخص قدرت نسبی تجمیعی موزون.,
ملخص المقالة :
شاخص قدرت نسبی یکی از نوسان نماهای پرکاربرد در تحلیل تکنیکال است. پژوهش حاضر با هدف مدیریت ریسک در استراتژی معاملاتی مبتنی بر این نوسان نما، به معرفی شاخص قدرت نسبی مبتنی بر سبد سهام میانگین-ورایانس می‌پردازد. این رویکرد به جای استفاده از یک دارایی از یک سبدسهام استفاده می‌کند و شاخص قدرت نسبی را به شاخص قدرت نسبی تجمیعی موزون گسترش می‌دهد که اوزان شاخص جدید از بهینه‌سازی سبد میانگین-واریانس بر روی داده‌های تاریخی محاسبه می‌شود. سبد نمونه‌ای پژوهش متشکل از 8 شاخص از بورس اوراق بهادار تهران در بازه زمانی 1380 تا شهریور 1403 است و برای بهینه‌سازی سبد از الگوریتم تجمعی ذرات استفاده شده است. عملکرد سبد بهینه پژوهش نشان می‌دهد که میانگین بازده روزانه سبد بهینه پژوهش تقریباً دو برابر نرخ بهره بدون ریسک روزانه است. این در حالی است که به کارگیری شاخص قدرت نسبی معمولی بر روی دارایی‌های سبد، منجر به میانگین بازده روزانه منفی و در نهایت ضرر شده است.
-اصغری، مهدی؛ یزدانیان، نرگس؛ تبریزیان، بیتا و رهنمای رودپشتی، فریدون. (1403). پیش بینی قیمت سهام بر پایه فاکتورهای بنیادی، تکنیکال و اقتصادی. دانش سرمایه‌گذاری،13(51)،1-22.
-سیف، سمیرا؛جمشیدی نوید، بابک؛ قنبری، مهرداد , اسماعیل پور، منصور. (1400). پیش‌بینی روند بورس سهام ایران با استفاده از نوسان نمای موج الیوت و شاخص قدرت نسبی. تحقیقات مالی، (1)23، .134-157
-عباسی، میلاد؛ موسوی، سمیه السادات و جعفری ندوشن، عباسعلی. (1403). شناسایی و ارزیابی قواعد معاملات تکنیکی سودآور در بازار رمزارز با استفاده از روش ترکیبی کیفی-کمی. تحقیقات مالی، (3)26، .509-530
-Ali, R., Singh, P., & Kumar, A. (2024). Technical analysis in emerging markets: Evidence from India. Emerging Markets Review, 15(1), 78-95.
-Ali, R., Singh, P., & Kumar, A. (2023). Integrating RSI with Bollinger Bands for forex trading strategies. Emerging Markets Analysis, 9(4), 112-130..
-Huang, X., Wang, J., & Li, S. (2023). Inegrating technical analysis with deep neural networks for market prediction. AI and Financial Markets, 9(2), 25-39.
-Jose, J., & Varshini, P. (2024). Integrating Technical Indicators and Ensemble Learning for Predicting the Opening Stock Price. International Journal of Information Technology, Research and Applications, 3(2), 1-15.
-Kara, M., Zhang, Y., & Chen, L. (2023). A comparative study of moving averages and Bollinger Bands in predicting stock market trends. Journal of Financial Analysis, 18(3), 45-67.
-Kumar, R., & Patel, V. (2021). Comparative performance analysis of RSI, MACD, and stochastic oscillator. International Journal of Technical Analysis, 8(1), 25-37.
-Lee, H., Park, S., & Kim, J. (2022). Evaluating the effectiveness of RSI in stock market predictions. Journal of Financial Markets, 15(3), 78-92.
-Lee, H., Park, S., & Kim, J. (2023). The effectiveness of stochastic oscillators in neutral markets. Asian Financial Studies, 21(3), 56-70.
-Nguyen, T. H., & Tran, Q. L. (2023). Optimizing RSI for cryptocurrency analysis: A case study on Bitcoin and Ethereum. Crypto Economic Review, 10(2), 45-59.
-Nguyen, H. T., Tran, Q. L., & Pham, D. M. (2022). Efficiency of technical indicators in cryptocurrency markets: A case study of Bitcoin and Ethereum. Crypto Research Journal, 12(5), 89-103.
-Saud, A. S., & Shakya, S. (2024). Technical indicator empowered intelligent strategies to predict stock trading signals. Journal of Open Innovation: Technology, Market, and Complexity, 10(4), 100398.
-Smith, J., & Johnson, T. (2022). Combining fundamental and technical analysis for better investment decisions. Investment Strategies Quarterly, 7(4), 112-127.
