بهینه سازی پورتفوی سرمایه گذاری مبتنی بر ماتریس شبکه و مقایسه آن با الگوی ترکیبی فازی عصبی و الگوریتم ژنتیک (ANFIS)

الموضوعات : دانش سرمایه‌گذاری

علی شیدائی نرمیقی ¹ , فریدون رهنمای رودپشتی ² , رضا رادفر ³

1 - دانشجوی رشته مدیریت صنعتی – مالی، گروه مدیریت صنعتی ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

تاريخ الإرسال : 16 الجمعة , محرم, 1442 تاريخ التأكيد : 01 الأربعاء , جمادى الأولى, 1442 تاريخ الإصدار : 06 الإثنين , جمادى الأولى, 1442

الکلمات المفتاحية: منطق فازی, شبکه های عصبی مصنوعی, الگوریتم ژنتیک, سیستم استنتاج عصبی فازی انطباقی, بهینه سازی سبد سهام,

ملخص المقالة :

چندین سال است که پژوهشگران به بررسی و تحقیق درباره مسائل مربوط به بهینه سازی سبد سرمایه گذاری پرداخته اند . یکی از موضوعات اصلی مشخص کردن روش بهینه سازی است که به تشکیل سبد سرمایه گذاری بهینه یعنی حداقل نمودن ریسک سرمایه گذاری و حداکثر کردن سود سرمایه گذاری می باشد. هدف پژوهش حاضر بررسی قابلیت راهبرد ماتریس شبکه و مدل فازی عصبی ژنتیک (ANFIS) در بهینه سازی سبد سرمایه گذاری از بین شرکت های بورس اوراق بهادار تهران است. گروه بندی سهام بوسیله ماتریس شبکه مبتنی بر متغییرهای نوین شامل سهام تهاجمی ، بی تفاوت و تدافعی که توسط رهنمای رودپشتی (1388) ارائه شده و متغییرهای سنتی شامل سهام رشدی ، رشدی ارزشی و ارزشی و دسته بندی شرکت ها براساس ارزش بازار آنها و استفاده از قانون چارک ها و در نهایت وزن دهی آنها متناسب با بازدهی آن سهم در نظرگرفته می شود. نسبت به طراحی و ارائه یک مدل بهینه سازی سبد سرمایه گذاری سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک (ANFIS) پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به‌عنوان ورودی‌های مدل استفاده می‌شود. خروجی‌های تحقیق نشان می دهد این سیستم‌ها از توانایی لازم برای بهینه سازی سبد سهام برخوردار می‌باشند. بنابراین یک مدل ترکیبی شبکه های عصبی و تئوری استدلال فازی همراه با الگوریتم ژنتیک به منظور وزن دهی عامل های موثر در بهینه سازی سبد سهام در 7 سال منتهی به سال 1398 بکار گرفته شده است.

المصادر:

• بشیر خداپرستی ، رامین (1397) ، کارایی مدل پنج عامل فاما و فرنچ در سهام تهاجمی و تدافعی ، راهبرد مدیریت مالی ، زمستان 97.


• رهنمای رودپشتی و همکاران (1390)، گروه بندی پورتفوی سرمایه گذاری براساس ماتریس شبکه و مقایسه عملکرد پورتفوی های حاصل از این روش با استفاده از نسبت پتانسیل مطلوب ، تحقیقات مالی دانشگاه تهران ، شماره 32 ، 1390.


• رهنمای رودپشتی و همکاران (1391) ، مقایسه عملکرد پورتفوی های حاصل از گروه بندی سهام بوسیله مدل شبکه مبتنی بر متغیرهای نوین و سنتی با استفاده از شاخص های شارپ و ترینر ، فصلنامه علمی و پژوهشی دانش سرمایه گذاری ، پاییز 1392.


• سروش ، البرز و همکاران (1395) ، بهینه سازی سبد سهام با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری در بورس ، تحقیقات مالی دانشکده مدیریت دانشگاه تهران ، تابستان 1396.


• فشاری ، مجید و مظاهری فر ، پویا (1395) ، مقایسه الگوریتم های پیش بینی و بهینه سازی پورتفوی در بورس اوراق بهادار تهران ، فصلنامه سیسات گذاری و پیشرفت اقتصادی دانشگاه الزهرا ، شماره 11 ، تابستان 1395.


• مهرگان ، محمدرضا و همکاران (1396) ، طراحی سیستم استنباط عصبی فازی تطبیقی به منظور بهینه سازی مصرف گاز طبیعی ایران ، رساله دکتری ، دانشگاه تهران.


• Chen Z, Li G, Guo J . Optimal investment policy in the time consistent mean-variance formulation.Insur. Math. Econ. 52:145-156, 2013.


• Chen, Z, and Liu, J . Multi-period robust measures and portfolio selection models with regime-switching. Optimization Online Links-Optimization related societies, 2015 .


• DeMiguel, V. and Nogales, F. J. (2009) Portfolio selection with robust estimation. Operations Research 57(3):560-577


• Fabozzi, F. J. , Huang, D., and Zhou, G. (2010) Robust portfolios: contributions from operations research and _nance. Annals of Operations Research 176(1):191-220.


• Goldfarb, D. and Iyengar, G. (2003) Robust portfolio selection problems. Mathematics of Operations Research 28(1):1-38.


• Liu J, Chen Z . Regime-dependent robust risk measures with application in portfolio selection. Procedia Computer Science 31:344-350 , 2014.


• Markowitz, H. (1952) Portfolio selection. Journal of Finance 7(1):77-91