توسعه یک مدل چند هدفه برای بهینه سازی سبد ردیاب شاخص با درنظرگیری بتا، ریسک غیرسیستماتیک و خطای ردیابی

محورهای موضوعی : دانش سرمایه‌گذاری

امیرعباس نجفی ¹ , صبا خراسانی ²

1 - دانشیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی
2 - دانشجوی کارشناسی ارشد مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی

تاریخ دریافت : 1395/06/09 تاریخ پذیرش : 1395/07/23 تاریخ انتشار : 1396/01/01

کلید واژه: پرتفوی ردیاب, خطای ردیابی, بتای سبد ردیاب, برنامه ریزی آرمانی,

چکیده مقاله :

سرمایه‌گذاران معمولا دو نوع استراتژی فعالانه و منفعلانه را برای مدیریت پرتفوی استفاده می‌کنند. ردیابی شاخص یکی از رویکردهای منفعلانه مدیریت پرتفوی بشمار می‌رود که از مزایای آن کم کردن هزینه مدیریت پرتفوی و هزینه معاملات می‌باشد. جهت ردیابی شاخص معمولا از مدل‌ کلاسیک که هدف آن کم کردن هزینه معاملاتی و خطای ردیابی است، استفاده می‌شود. در پژوهش پیش‌رو مدل کلاسیک ردیابی شاخص توسعه داده شده است. بدین منظور مدلی چند هدفه بر مبنای کمینه‌سازی خطای ردیابی، میزان ریسک غیر سیستماتیک و بتای سبد ارائه شده است. در مرحله بعد از روش برنامه‌ریزی آرمانی برای حل مدل ذکر شده استفاده شده است. برای نشان دادن کارایی مدل‌های مورد استفاده از داده‌های بورس اوراق بهادار تهران در صنعت بانکداری استفاده شده است. در انتها نتایج نشان دادتد که طی بازه زمانی ذکر شده مدل پیشنهادی عملکرد بهتری نسبت به مدل های کلاسیک داشته است.

چکیده انگلیسی:

There are two strategies in investment management; active and passive. One of the passive strategies is to construct an index tracking portfolio. In the classical models of index tracking portfolio, the goal is to minimize tracking error. However, it may cause to miss portfolio’s beta and unsystematic risk. Considering BETA in  index tracking for same behavior with index and control  systematic risk which relates to index and non-systematic risk of tracking portfolio will help to minimizing total risk and to close expectation to facts .In this study we propose a multi-objective model to consider portfolio’s beta and unsystematic risk as well as tracking error and studied the simultaneous effect of effective elements (BETA and risk) on index tracking portfolio and comparing suggested function with traditional function and classic portfolio. Goal programming is applied to deal with the multi-objective model and Genetic algorithm is used to solve the model.  The proposed model is tested on real-data of Tehran Stock Exchange. The obtained results show the efficiency of the model.

منابع و مأخذ:

*       حنیفی فرهاد، تهرانی رضا (1388)، طراحی یک الگوریتم فرا ابتکاری، جهت انتخاب پورتفوی بهینه ردیابی کننده شاخص بورس تهران، فصلنامه تحقیقات حسابداری و حسابرسی.

*       دارابی رویا، فرحی علی (1389)، تاثیر متغیرهای کلان اقتصادی بر ریسک و بازده کل سهام با تاکید بر مدل بازده سهام-تورم، پژوهشنامه حسابداری مالی و حسابرسی.

*       رضایی علیرضا (1386), آموزش الگوریتم ژنتیک در نرم افزار متلب، انتشارات تهران.

*       شمس ناصر، ورسه‌ای محسن (1389)، ارائه یک روش حل ابتکاری به منظور بهینه سازیحل مسئله سبد ردیاب شاخص و پیاده سازی آن برای اولین بار در بازار سهام تهران، تهران، هشتمین کنفرانس بین المللی مدیریت.

*       شهرستانی حمید، ثوابی اصل فرهاد، بیدآباد بیژن (1389)، تعمیم نظریه مارکویتز در بهینه سازی سبد سهام، پژوهش نامه اقتصادی، 207-209.

*       نجفی امیرعباس، فاضلی سبزوار احسان (1392)، مدل دو هدفه بازنگری سبد ردیاب شاخص با لحاظ هزینه های معاملاتی و حل آن با الگوریتم های فراابتکاری، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال هفتم، شماره بیستو چهارم.

*       Alexander C., Dimitriu A. (2005), Indexing, co-integration and equity market regimes, International Journal of Finance and Economics, 1-19.

*       Beasley J. E., Meade N., Chang T. J. (2003), An evolutionary heuristic for the index tracking problem, European journal of operation research.

*       Bedoya L. C., Briger J. R. (2014), Index tracking and enhanced indexation using a parametric approach, Journal of Economics, finance and administrative science.

*       Bruni R., Cesarone F., Scozzari A., Tardella F. (2012), A new stochastic dominance approach to enhanced index tracking problems, Economics Bulletin, 3460-3470.

*       Canakgoz N. A., Beasley J. E. (2008), Mixed-integer programming approaches for index tracking and enhanced indexation, European journal of operational research.

*       Coleman T. F., Li Y. (2004), Minimizing Tracking Error While Restricting the Number of Assets.

*       Colwell D., El-Hassan N., Kwon O. K. (2007), Hedging diffusion processes by local risk minimization with applications to index tracking, Journal of Economic Dynamics & Control, 2135-2151.

*       Corielli F., Marcelino M. (2006), Factor based Index Tracking, Journal of Banking & Finance, 2215-2233.

*       Giavoronski A. A., Kryylov S., Van der Wijsk N. (2005) , Optimal portfolio selection and dynamic benchmark tracking, European Journal of Operational Research, 115-131.

*       Hesni B., Jahangirian M., jafarbaglou S. (2005), Active Portfolio Management vs Index Tracking - A Study of Actively Managed Investment Funds' Performance in the UK, Tehran, third international management conference.

*       Hillebrand E., Lee T. H. (2012), Stein-Rule Estimation and Generalized shrinkage Methods for Forecasting Using Many Predictors.

*       Jansen R., Van Dijk J. (2008), Optimized index tracking using a hybrid genetic algorithm, Evolutionary Computation, CEC 2008 (IEEE World Congress on Computational Intelligence).

*       Jones D., Tamiz M. (2010), Practical Goal programming International Series in Operations Research, New York, Springer.

*       Li Q., Bao L. (2014), Enhanced index tracking with multiple time-scale analysis, Journal of Economic Modeling, 282-292.