بررسی رابطه ریسک و مطلوبیت زیان گریزی مبتنی بر نظریه چشم انداز چند دوره ای با استفاده از الگوریتم ازدحام ذرات

الموضوعات : دانش سرمایه‌گذاری

راضیه احمدی ¹ , عادل آذر ² , غلامرضا زمردیان ³

1 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مدیریت، دانشکده اقتصاد و مدیریت، دانشگاه تربیت مدرس، تهران، ایران.
3 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

تاريخ الإرسال : 04 الثلاثاء , ربيع الثاني, 1443 تاريخ التأكيد : 07 الثلاثاء , رجب, 1443 تاريخ الإصدار : 04 الخميس , ذو الحجة, 1444

الکلمات المفتاحية: زیان گریزی, بهینه سازی چند دوره ای, الگوریتم ازدحام ذرات, ارزش ر معرض خطر مشروط,

ملخص المقالة :

هدف از تحقیق حاضر بررسی تاثیر رفتار زیان گریزی بر تصمیمات سرمایه گذاری چند دوره ای است. به همین منظور دو مدل بهینه سازی پرتفوی طراحی گردیده است. به جای مدل تک دوره ای پرتفوی، از مدل سه دوره ای استفاده شده است. به منظور نزدیک شدن مدل بهینه سازی به دنیای واقعی، علاوه بر ارزش در معرض خطر مشروط به عنوان یکی از محدودیت اصلی، محدودیت هزینه معاملات و حداقل و حداکثر میزان سرمایه گذاری در هر دارایی نیز در نظر گرفته شده است. دو مدل بهینه سازی مبتنی بر نظریه چشم انداز و میانگین- ارزش در معرض خطر مشروط، با استفاده از الگوریتم ازدحام ذرات حل گردید. به منظور بررسی قدرت مدل، برخی معیار های مهم از جمله ضریب زیان گریزی اولیه و نقطه مرجع اولیه تغییر داده شد. نتایج بر اساس معیارهای ثروت نهایی و نسبت شارپ نشان داد، سرمایه گذاران زیان گریز تمایل دارند به صورت متمرکزتر سرمایه گذاری نمایند و عملکرد بهتری نسبت به سرمایه گذاران عقلایی دارند. همچنین سرمایه گذاران با درجه ریسک گریزی بالاتر، در بازار نزولی، از زیان های مفرط جلوگیری می کنند و سودهای بیشتری به دست می آورند.

المصادر:

• پور احمدی، زهرا؛ نجفی، امیر عباس(1394). بهینه سازی پویای سبد سرمایه گذاری با توجه به هزینه معاملات، مهندسی مالی و مدیریت اوراق بهادار، صص127-146


• تهرانی، رضا؛ نوربخش، عسگر(1396). الگوی تصمیم گیری تحت شرایط ریسک در بورس اوراق بهادار تهران مبتنی بر نقطه مرجع پویا. فصلنامه علمی پژوهشی مدیریت دارایی و تامین مالی. سال پنجم، دوره دوم، صص68-51


• رهنمای رودپشتی،فریدون؛ هیبتی، فرشاد؛ موسوی، سیدرضا(1391).بررسی الگوی ریاضی انتخاب پرتفوی سرمایه گذاری مبتنی بر مالی رفتاری. مجله مهندسی مالی و مدیریت اوراق بهادار.


• زنجیردار،مجید؛ صابری، مریم؛ موسوی، سیدرضا(1394). تبیین عوامل رفتاری انسان در انتخاب پرتفوی بهینه در مقایسه با مالی استاندارد. چشم انداز مدیریت مالی، پاییز 94، صص70-73.


• شیری قهی، امیر؛ دیده خانی، حسین؛ خلیلی دامغانی،کاوه؛ سعیدی، پرویز(1396).مطالعه تطبیقی مدل بهینه سازی پرتفوی چند دوره ای چند هدفه در محیط اعتبار فازی با معیار های متفاوت ریسک. راهبرد مدیریت مالی. صص26-1


• صادقی، ایرج.(1384) الگوریتم و فلوچارت، تهران، انتشارات ناقوس.


• محبی،نگین؛ نجفی،امیرعباس(1397). بهینه سازی سبد سرمایه گذاری چند دوره ای با رویکرد برنامه ریزی پویا،فصلنامه مطالعات مدیریت صنعتی، پاییز 1397، صص26-1


• مصلح شیرازی، علی نقی؛ نمازی، محمد؛ محمدی، علی؛ رجبی، احمد(1392).تئوری چشم انداز و مدلسازی الگوی تصمیم گیری مدیران در بخش صنعت. چشم انداز مدیریت صنعتی، تابستان 1392. صص 33-9


• میرجعفری، زینب السادات؛ دموری، داریوش؛ احمد خانی، مسعود(1395). تحلیل و بررسی عوامل رفتاری موثر بر عملکرد سرمایه گذاران حقیقی فعال در بورس اوراق بهادار تهران با استفاده از مدل معادلات ساختاری. کنفرانس بین المللی مدیریت، اقتصاد و حسابداری مالزی. 2016.


• نجفی، امیرعباس؛ موشخیان، سیامک(1393). مدلسازی و ارائه ی راه حل بهینه برای بهینه سازی سبد سرمایه گذاری چند دوره ای با الگوریتم ژنتیک. مجله مهندسی مالی و مدیریت اوراق بهادار.


• همائی فر، ساغر؛ روغنیان، عماد(1395). به کارگیری الگوهای بهینه سازی پایدار و برنامه ریزی آرمانی در مسئله انتخاب سبد سرمایه گذاری چند دوره ای. مهندسی مالی و مدیریت اوراق بهادار. صص 153-167.


• هیبتی، فرشاد؛ تقوی، مهدی؛ موسوی، سیدرضا (1393). ارزیابی تاثیر شاخص های کلاسیک و مدرن اندازه گیری ریسک بر انتخاب پرتفوی در چارچوب تئوری مالی رفتاری، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال هفتم، شماره بیست و یکم، بهار 1393.


• Barberis, N. Huang, M.  and T. Santos(2001), "Prospect theory and asset prices," Quart. J. Econ., vol. 116, no. 1, pp. 1–53, Feb.


• A, Kouwenberg.R, and Post.T(2004). "OPTIMAL PORTFOLIO CHOICE UNDER LOSS AVERSION", The Review of Economics and Statistics, November 2004, 86(4): 973–987


• Chang, M, Xu, Y, Fan, Y.(2018). " Algorithm Implementation and Research of Prospect Theory Portfolio Optimization Model " Advances in Economics, Business and Management Research, volume 68


• Carvalho, M. and Ludermir, T.B. (2007). Particle swarm optimization of neural network architectures and weights. Hybrid Intelligent Systems, 17-19 Sept. 2007.


• Cui, X. Gao J., Li, X. and D. Li, (2014)"Optimal multi-period mean–variance policy under no-shorting constraint,"Eur. J. Oper. Res., vol. 234, no. 2, pp. 459–468, Apr.


• Dupačová,J and Kopa,M(2014)." Robustness of optimal portfolios under risk and stochastic dominance constraints", European Journal of Operational Research 234(2):434–441.


• Fortin I. and Hlouskova, J. (2011)"Optimal asset allocation under linear loss aversion," J. Banking Finance, vol. 35, no. 11, pp. 2974–2990, Nov.


• Gomes, F. J. (2005)"Portfolio choice and trading volume with loss-averse investors," J. Bus., vol. 78, no. 2, pp. 675–706, Mar.


• N, Lucas.C & Date.P(2016)." Prospect theory–based portfolio optimization: an empirical study and analysis using intelligent algorithms " Quantitative Finance, DOI: 10.1080/14697688.2016.1149611.


• He ,X. D. and Zhou, X. Y. (2011) “Portfolio choice under cumulative prospect theory: An analytical treatment,” Manage. Sci., vol. 57, no. 2, pp. 315–331, Feb.


• Kahneman, D. and A. Tversky,(1979) "Prospect theory: An analysis of decision under risk," Econometrica, vol. 47, no. 2, pp. 263–291.


• Kolm, P. N, Tütüncü,    and F. J. Fabozzi, (2014)"60 years of portfolio optimization: Practical challenges and current trends," Eur. J. Oper. Res., vol. 234, no. 2, pp. 356–371, Apr.


• Lee B. and Veld-Merkoulova, Y. (2016). “Myopic loss aversion and stock investments: An empirical study of private investors,” J. Banking Finance, vol. 70, pp. 235–246, Sep.


• Levy, H. and Levy, M. (2003). "Prospect Theory and Mean-Variance Analysis", The Review of Financial Studies, Vol. 12, No. 7, pp. 1015-1071.


• Li D. and Ng, W.-L. (2000)."Optimal dynamic portfolio selection: Multiperiod mean-variance formulation," Math. Finance, vol. 10, no. 3, pp. 387–406, Jul.


• Liu, J , Jin,X , Wang,T , Yuan,Y (2015). " Robust multi-period portfolio model based on prospect theory and ALMV-PSO algorithm" journal of Expert Systems with Applications, No. of Pages 12.


• Markowitz, H. (1952) "Portfolio selection," J. Finance, vol. 7, no. 1, pp. 77–91, Mar. 1952.


• Parsopoulos,K; Vrahatis,M,(2010)," Particle Swarm Optimization and Intelligence: Advances and Applications"Science Publishing (IGI Global), Hershey, PA, U.S.A.


• Rockafellar R. T. and Uryasev, S. (2000). "Optimization of conditional valueat- risk,"J. Risk, vol. 29, no. 1, pp. 21–41


• w, (1963). "A simplified Model for portfolio analysis"management science,Vol9,pp.227-293.


• Üstün, B., et al.(2005) "Determination of OptimalSupport Vector Regression Parameters by Genetic Algorithms and Simplex Optimization", Analytica Chimica Acta, Vol.544, No.1, pp.292- 305.


• Yao J. and Li, D. (2013) ."Prospect theory and trading patterns," J. Banking Finance, vol. 37, no. 8, pp. 2793–2805, Aug.


• Zhang, W. Liu, Y.-J. and W.-J. Xu,(2012) "A possibilistic meansemivariance-entropy model for multi-period portfolio selection with transaction costs" Eur. J. Oper. Res., vol. 222, no. 2, pp. 341–349, Oct.