بررسی مقایسه‌ای روش‌های تحلیل رابطه خاکستری و تصادفی جهت بهینه‌سازی سبد سرمایه‌گذاری سهام در بازار اوراق بهادار تهران
محورهای موضوعی : مهندسی مالی
رضا آداک
1
,
مهدی مشکی میاوقی
2
*
,
محمد حسن قلیزاده
3
1 - گروه مهندسی مالی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.
2 - گروه حسابداری و مالی، واحد تهران، دانشگاه پیام نور، تهران، ایران.
3 - گروه مدیریت بازرگانی، دانشگاه گیلان، گیلان، ایران.
کلید واژه: تحلیل پوششی داده, راهبردهای الگوریتم رابطه خاکستری, رویکردهای تصادفی,
چکیده مقاله :
هدف: یکی از بخش‌های مهم فرآیند مدیریت سبد سرمایه‌گذاری سهام، مقایسه و رتبه‌بندی دارایی‌های مالی در هنگام تصمیم‌گیری درباره ساختار آن است. روش‌های کمی ابزاری مفید در این بخش هستند که نشان می‌دهند هدف عمدۀ همۀ روش‌ها دستیابی به سبد سرمایه‌گذاری سهام بهینه بادقت بسیار و سهولت بیشتر است. این پژوهش دو هدف عمده را دنبال می‌کند اول رتبه‌بندی سبد سرمایه‌گذاری سهام بر پایۀ تحلیل رابطۀ خاکستری و دوم مقایسۀ این شیوه با روش‌های کلاسیک که در این پژوهش با عنوان رویکرد تصادفی نام‌گذاری شده است.
روش‌شناسی پژوهش: برای تحقق موضوع پژوهش، ۱۱ راهبرد وزنی و سرمایه‌گذاری برای روش تحلیل رابطۀ خاکستری و ۲ راهبرد برای رویکرد تصادفی تعریف شدند. جامعه پژوهش شامل شرکت‌های بورس اوراق بهادار بوده و نمونۀ پژوهش شامل پنج صنعت برتر در ابتدای دورۀ مطالعه است که شامل صنایع سرمایه‌گذاری‌ها، شیمیایی، آهن و فولاد، بانک و مؤسسات مالی و فرآورده‌های نفتی است. در این پنج صنعت با شرایطی که در پژوهش مدنظر قرار گرفته است، درنهایت ۱۶۰ شرکت برای بررسی انتخاب‌شده‌اند. از آزمون یومن ویتنی برای بررسی فرضیه‌ها و به‌منظور مقایسه نتایج روش تحلیل خاکستری با روش تصادفی از تحلیل پوششی داده‌ها استفاده‌شده است.
یافته‌ها: نتایج پژوهش با استفاده از تحلیل رابطۀ خاکستری نشان می‌دهد که راهبردهای ۷، ۹، ۱۰ و ۱۱ (وزن‌دهی ۱۰۰درصدی به گشتاورهای سوم و چهارم) با داشتن ۱۸۶ هفته کارایی، رتبۀ بیشتری نسبت به دیگر راهبردهای تحلیل رابطۀ خاکستری هستند. نتایج حاصل از روش تحلیل پوششی (که روش تحلیل رابطۀ خاکستری را با روش تصادفی نوع یک و دو مقایسه می‌کند) نیز نشان داد که روش تحلیل رابطۀ خاکستری کارایی بیشتری نسبت به روش تصادفی دارد و این فرضیه توسط آزمون یومن ویتنی نیز تأیید شد.
اصالت / ارزش‌افزوده علمی: این پژوهش با استفاده از روش‌های فرا مدرن در موضوعات مالی (روش الگوریتم رابطۀ خاکستری) و مقایسۀ آن با روش‌های تصادفی، در جست‌وجوی افزایش دقت و کاهش زمان برای شناسایی سبد سرمایه‌گذاری سهام بهینه است.
Purpose: One of the critical components of portfolio management is the comparison and ranking of financial assets when deciding on the structure of the portfolio. Quantitative methods serve as powerful tools in this process, aiming to construct an optimal stock investment portfolio with high precision and ease. This study pursues two main objectives: first, to rank stock portfolios using gray relational analysis (GRA); and second, to compare this approach with classical methods referred to in this research as random-based approaches.
Research Methodology: To address the research objectives, 11 weighting and investment strategies were defined under the gray relational analysis method and 2 strategies under the random-based approach. The research population includes all listed companies on the Tehran Stock Exchange, with the sample comprising five leading industries at the start of the study period: investment, chemical, steel and iron, banking and financial institutions, and petroleum products. Based on specific selection criteria, 160 companies were ultimately chosen for analysis. The Mann–Whitney U test was used to test hypotheses, and Data Envelopment Analysis (DEA) was employed to compare the performance of the GRA and random approaches.
Findings: The results indicate that in the gray relational analysis, strategies 7, 9, 10, and 11 (which assign 100% weight to the third and fourth moments) were the most efficient, achieving performance across 186 weeks. Furthermore, DEA comparisons of the GRA with random approaches type I and II showed that the gray relational method outperforms its random counterparts in portfolio efficiency. This finding was statistically validated using the Mann–Whitney U test.
Originality / Value: This research introduces a novel integration of gray relational algorithms, a postmodern technique in financial modeling, and compares it with traditional random approaches. By enhancing accuracy and reducing processing time in identifying optimal stock portfolios, the study contributes a practical and robust framework for intelligent decision-making in portfolio selection.
Adinehvand, D., Razini Rahmani, E.A., Khoddam, M., Ohadi, F., & Hashemizadeh, E. S. (2024). Examining the efficiency of optimization models of multi objective genetic algorithm and particle swarm algorithm under the risk criteria of conditional value at risk and mean smai variance in determining the optimal stock portfolio. Advances in Finance and Investment, 4(4), 65-92. [In Persian]
Bauer Jr, R. J., & Griffiths, M. D. (1988). Evaluating expert system investment: An introduction to the economics of knowledge. Journal of Business Research, 17(2), 223-233.
Benders, J., & Manders, F. (1993). Expert systems and organizational decision-making. Information & management, 25(4), 207-213.
Deng, J. L. (1982). Control problems of grey systems. Systems & control letters, 1(5), 288-294.
Edirisinghe, N. C. P., & Zhang, X. (2008). Portfolio selection under DEA-based relative financial strength indicators: case of US industries. Journal of the operational research society, 59(6), 842-856.
Huang, Y. P., & Yang, H. P. (2004). Using hybrid grey model to achieve revenue assurance of telecommunication companies. Journal of grey system, 7(1), 38-49.
Jalalian, H., & Tsang, E. (2018). An Investigation into the Noisy Portfolio Optimization Problem abstract. Second National Management Conference and Fuzzy Systems.
Khajavi, S., & Ghayuri Moqaddam, A. (2013). DEA Method of Choosing Optimum Portfolio in Accordance with Stock Liquidity: The Case Study of Listed Companies of Tehran Stock Exchange. Journal of Accounting Advances, 4(2) , 27-52. [In Persian]
Lincy, R. M. G., & John, J. C. (2016). A multiple fuzzy inference systems framework for daily stock trading with application to NASDAQ stock exchange. Expert Systems with Applications, 44, 13-21.
Lu, I. J., Lin, S. J., & Lewis, C. (2008). Grey relation analysis of motor vehicular energy consumption in Taiwan. Energy Policy, 36(7), 2556-2561.
Moradi, L. (2012). Investigating road traffic accidents in Fars province using gray system theory (Master Thesis, Shiraz University). [In Persian]
Nurcan, E., & Deniz Köksal, C. (2021). Determination of financial failure indicators by gray relational analysis and application of data envelopment analysis and logistic regression analysis in BIST 100 Index. Interdisciplinary Journal of Management Studies, 14(1), 163-187.
Ramezani, N., & Mokhatab Rafiei, F. (2022). Using grey relational analysis for dynamic portfolio selection in Tehran Stock Exchange. Journal of Industrial and Systems Engineering, 14(18), 31-39.
Silva, N. F., dos Santos, M., Gomes, C. F. S., & de Andrade, L. P. (2023). An integrated CRITIC and Grey Relational Analysis approach for investment portfolio selection. Decision analytics journal, 8, 100285.
Škrinjarić, T., & Šego, B. (2018). Using grey incidence analysis approach in portfolio selection. International Journal of Financial Studies, 7(1).
Škrinjarić, T. (2020). Dynamic portfolio optimization based on grey relational analysis approach. Expert systems with applications, 147, 113207.
Taghizadeh, K., Mullah Alizadeh Zavardehi, S., Salehi, A. K., & Mahmoudi Rad, A. (2022). Evaluation of the optimal portfolio portfolio using market criteria using multi-criteria decision criteria under conditions of uncertanty in the Iranian capital market. Advances in Finance and Investment, 3(6), 101-128. [In Persian]