بررسی اثر سبک‌های سرمایه‌گذاری و تشکیل پرتفوی بهینه با استفاده از شاخص‌های تکنیکی و نسبت‌های بنیادی

الموضوعات : دانش سرمایه‌گذاری

کامران پاکیزه ¹ , میلاد رحمانی ² , فاطمه عزیززاده ³

1 - استادیار دانشکده علوم مالی، دانشگاه خوارزمی
2 - دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه خوارزمی
3 - استادیار دانشکده علوم مالی، دانشگاه خوارزمی

تاريخ الإرسال : 06 الأربعاء , ذو الحجة, 1437 تاريخ التأكيد : 19 الخميس , محرم, 1438 تاريخ الإصدار : 22 الثلاثاء , جمادى الثانية, 1438

الکلمات المفتاحية: ‌سرمایه گذاری سبکی, پرتفوی ترکیبی, عامل‌ارزش سهام, عامل اندازه سهام, عامل‌کیفیت سهام, الگوریتم تجمعی ذرات, شاخص‌تکنیکال, نسبت‌های بنیادین,

ملخص المقالة :

بهینه سازی پرتفو و تخصیص ثروت بین دارایی‌های مختلف از جمله مهمترین مسائل در سرمایه گذاری بحساب می‌آید. یکی از راه‌های کسب بازدهی فراتر از بازدهی بازار، سرمایه گذاری در دارایی‌هایی است که دارای ویژگی‌های مشابه به هم هستند. ویژگی‌هایی که باعث ایجاد تمایز و برتری آنها‌نسبت به سایر دارایی‌ها‌از نظر عملکرد و کسب بازدهی می‌شود. به این ویژگی‌های مشترک در اصطلاح سبک گفته می‌شود. در این مطالعه سعی شده است تا عملکرد سبک‌های سهام بزرگ، کوچک، ارزشی، باکیفیت و بی‌کیفیت با تشکیل پرتفوی بهینه با یکدیگر مقایسه شود. ساختار پیشنهادی برای تشکیل پرتفوی بهینه مبتنی بر شاخص‌های تکنیکی و بنیادی بوده که پارامترهای تصمیم آن با‌استفاده از الگوریتم تجممعی ذرات(PSO) بهینه شده‌اند. عملکرد ساختار پیشنهادی تشکیل پرتفو و سبک‌های سرمایه گذاری برای سال‌های 91، 92 و 93 با استفاده از داده‌های بورس اوراق بهادار تهران مورد آزمایش قرار گرفته است که در هر سه سال پرتفوی تشکیل شده با ساختار پیشنهادی عملکرد به مراتب بهتری را از شاخص از خود نشان داده است. همچنین در هر سه سال سهم‌های کوچک از سهم‌های بزرگ عملکرد بهتری را داشته اند و سهم‌های رشدی و با‌کیفیت در سال‌های 91 و 92 عملکرد بهتری را به ترتیب نسبت به سهم‌های ارزشی و بی‌کیفیت از خود نشان داده اند.

المصادر:

*       اسلامی‌بیدگلی، غلامرضا، فلاح پور، سعید، سبزواری، بهادر(1391)،" مقایسه بازدهی روش‌های مختلف انتخاب سهام ارزشی و رشدی بر اساس مدل شش عاملی‌هاگن در بورس اوراق بهادار تهران"، فصل نامه دانش سرمایه گذاری، شماره1.

*       راعی، رضا، شواخی زواره، علیرضا.(1385)."بررسی عملکرد استراتژی های سرمایه گذاری در بورس اوراق بهادار تهران" ، نشریه علمی-پژوهشی تحقیقات مالی سال8، شماره 21.

*       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.

*       Briza, A.C.Naval, P.C. (2011). Stock trading system based on the multi-objective particle swarm optimization of technical indicators on end-of-day market data. s.l.: Applied Soft Computing,. 11, 1191-1201.

*       Carhart, M.M. (1997). on Persistence in Mutual Fund Performance. s.l.: Journal of Finance,. 66(4), 457-472.

*       Casanova, I. J. Trading-LCS, (2010). Dynamic stock portfolio decision-making assistance model with based machine learning. . s.l.: congress on evolutionary computation.

*       Crama, Y. and Schyns, M. (2003). Simulated annealing for complex portfolio selection problems. s.l.: European Journal of Operational Research. 50: 546-571.

*       Dorener, K. et al. Pareto. (2004). Ant Colony Optimization: A Meta heuristic Approach to Multi objective Portfolio Selection. s.l.: Annals of Operations Research,. 2004. 131: 79-99.

*       Fama, E.F, French, K.R. (1993).  Common Risk Factors in the Returns on Stocks and Bonds. s.l.: Journal of Financial Economics,. 33, 3-56.

*       Golmakani, H.R., Fazel, M.  (2011). Constrained Portfolio Selection using Particle Swarm Optimization. s.l: Expert Systems with Applications. 38: 8327-8335.

*       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 systems based on technical analysis. s.l.: Genetic algorithms in applications. Intec,. Chapter 15.

*       Lin, C.C. and Liu.Y.T. iu.Y.T. (2008) Genetic algorithms for portfolio selection problems with minimum transaction lots. . s.l.: European Journal of Operational Research, 185: 393-404.

*       Markowitz.H. (1952). Portfolio selection. s.l.: Journal of Finance,. Vol. 7.

*       Mousavi, S.Esfahanipour, M. Fazel, M.H. (2014). A Novel Approach to Dynamic Portfolio Trading System Using Multitree Genetic Programming. s.l.: Knowledge Based Systems.

*       Pätäri, E. (2000). Essays on portfolio performance measurement. Lappeenranta.

*       Piotroski, J.D So, E.C. (2012) Identifying expectation errors in value/glamour strategies: a fundamental analysis approach. . s.l.: Finance stud. 25(9), 2841-2875

*       Sharp, W.F. (1964). Capital Asset Pricing: A Theory of Market Equilibrium under Conditions of Risk. s.l.: Journal of Finance,. 19, 425-441.

*       Silva, A.,Neves, R.,Horta, N. (2015). A hybrid approach to portfolio composition based on fundamental and technical indicators. s.l.: Expert systems with application. 42, 2036-2048.

*       Soleimani, H., Golmakani, H.R. and Salimi, M.H. (2009).  Markowitz-based portfolio selection with minimum transaction lots, cardinality constraints and regarding sector capitalization using genetic algorithm. s.l. : Expert Systems with Applications,. 36: 5058-5063.

*       Stambaugh, Pastor L. (2001). Liquidity Risk and Expected Stock Returns. s.l.: Journal of Political Economy,. 111(3), 642-685.

*       Woodside-Oriakhi, M., Lucas, C. and Beasley, J.E. (2011).Heuristic algorithms for the cardinality constrained efficient frontier. s.l.: European Journal of Operational Research, 213: 538-550.

*      Zhu, H., Wang, Y., Wang, K. and Chen, Y. (2011) .Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem. s.l.: Expert Systems with Applications,. 38: 10161-10169