Smart Portfolio Modeling Using the Kalman Filter Pattern and Kelly Functions
Subject Areas : Financial Knowledge of Securities Analysis
Reza Mansourian
1
,
Nader Rezaei
2
,
Seid Ali Nabavi Chashmi
3
,
Ahmad Pouyanfar
4
,
Ali Abdollahi
5
1 - PhD Candidate of Financial Engineering, Department of Accounting and Financial Management, Maragheh Branch, Islamic Azad University, Maragheh, Iran.
2 - Department of Accounting and Finance, Bonab Islamic Azad University, Bonab, Iran
3 - Associate Professor, Department of Financial Management, Babol Branch, Islamic Azad University, Babol, Iran.
4 - Department of Financial Management, Khatam University, Tehran Iran
5 - Assistant Professor of Mathematics, Maragheh Branch, Islamic Azad University, Maragheh, Iran.
Keywords: Smart Portfolio, Kelly Functions, Kalman Filter,
Abstract :
The purpose of this study is to present a model for executing smart financial portfolios using Kalman filter model and kelly functions. For this purpose, using the monthly data of 180 companies listed in Tehran Stock Exchange during the period 2013 to 2019, using the Kalman filter model and kelly functions, the Sharp ratio is improved and the intelligent method for trading based on momentum and capital algorithms Long-term stock listing was presented and the purpose of the study was examined. The results of the algorithms implementation confirm that the proposed structure of the intelligent model of kelly functions is better in terms of average efficiency and Sharp ratio than the quantitative investment algorithms and it is possible to use the general constellation in optimal allocation of resources to achieve more desirable results. Finally, the results indicated that the performance of the smart portfolio with the kelly functions algorithm is better than the momentum model and long-term investment.
* امیری، مقصود؛ حدادیان، حمیدرضا؛ زندیه، مصطفی؛ رئیس زاده، علی(1395)، ارائه مدل معامله هوشمند در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکه عصبی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره بیست و هفتم .
* پاکیزه، کامران؛ رحمانی، میلاد؛ عزیززاده، فاطمه(1396)، بررسی اثر سبک های سرمایه گذاری و تشکیل پرتفوی بهینه با استفاده از شاخص های تکنیکی و نسبت های بنیادی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال ششم، شماره 21، بهار 1396.
* تهرانی،رضا، عسگر نوربخش، مدیریت سرمایه گذاری، چالز پی جونز، نگاه دانش، 1388.
* تهرانی، رضا؛ هندیجانی زاده، محمد؛ نوروزیان لکوان، عیسی(1393)، ارائه رویکردی جدید برای مدیریت فعال پرتفوی وانجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال چهارم، شماره سیزدهم.
* حیدری، حسن؛ ملابهرامی، احمد(1391) نگرشی پویا بر ارزش در معرض خطر پرتفوی سهام بر پایه مدلهای حالت فضا و فیلتر کالمن، سومین کنفرانس ریاضیات مالی و کاربردها، 11 و 12 بهمن ماه، دانشگاه صنعتی شریف.
* خضری، محسن؛ سحابی، بهرام؛ یتوری، کاظم و حیدری، حسن(1394)؛ بررسی اثرات متغیر زمانی تعیین کننده های تورم:مدل های فضا – حالت، فصلنامه مدلسازی اقتصادی، سال نهم، شماره 2 پیاپی، 30، صص 25-46.
* جمشیدی عینی، عصمت و خالورزاده، حمید(1395)؛ بررسی روش های هوشمند در حل مساله سبد سهام مقید در بازار سهام تهران، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال نهم، شماره سی و یکم، پائیز 1395.
* فلاح شمس، میرفیض، عطایی، یونس (1392) ، مقایسه کارائی معیارهای استراتژی شتاب )مومنتوم( در انتخاب پرتفوی مناسب" مجله مهندسی مالی و مدیریت اوراق بهادار.
* قاسمی دشتکی، مهسا (1387)، پیش بینی قیمت گذاری عرضه های عمومی اولیه، ترکیب شبکه های عصبی و الگوریتم ژنتیک، پایان نامه کارشناسی ارشد، رشته حسابداری دانشگاه تهران.
* رهنمای رودپشتی، فریدون؛ نیکومرام، هاشم؛ طلوعی اشلقی، هاشم؛ حسین زاده لطفی، فرهاد؛ بیات، مرضیه(1394)؛ بررسی کارایی بهینه سازی پرتفوی براساس مدل پایدار با بهینه سازی کلاسیک در پیش بینی ریسک و بازده پرتفوی، مجله مهندسی مالی و مدیریت اوراق بهادار شماره بیست و دوم، بهار 1394.
* رهنمای روپشتی، کاظم چاوشی، ابراهیم صابر (1393) " بهینه سازی پرتفوی متشکل از سهام صندوقهای سرمایه گذاری مشترک بورس اوراق بهادار تهران با رویکرد الگوریتم ژنتیک"، فصلنامه دانش سرمایه گذاری، سال سوم، شماره دوازدهم.
* راعی، رضا و سعیدی علی(1391)، مبانی مهندسی مالی و مدیریت ریسک. چاپ پنجم، تهران: انتشارات:سمت؛ 83.
* رضایی, سیدمهدی, باغجری, محمود, مظاهری فر, پوریا. (1348). مقایسه شبکه عصبی، سیستم فازی عصبی و مدل AR در پیش-بینی بازده اوراق بهادار و الگوریتم جستجوی موجودات همزیست با ممتیک آن در بهینه سازی پرتفوی. دانش مالی تحلیل اوراق بهادار12(43)، 109-119.
* Asmerilda Hitaj, Giovanni Zambruno, (2016), Are Smart Beta strategies suitable for Hedge Funds portfolios?, Review of Financial Economics, doi:10.1016/j.rfe.2016.03.001
* 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.
* Chetran saran mehra, adam prugel , Bennett, (2016), Constructing Smart Portfolios From Data Driven Quantitative Investment Models, A thesis submitted in partial ful_llment for the degree of Doctor of Philosophy.
* Raza , Muhammad Wajid & Ashraf, Dawood, (2018). "Does the Application of Smart Beta Strategies Enhance Portfolio Performance? The Case of Islamic Equity Investments," Working Papers 2018-1, The Islamic Research and Teaching Institute (IRTI).
* N. Baba, T. Kawachi, T. Nomura, Y. Sakatani, (2004), “Utilization of NNs & Gas for improving the traditional technical analysis in the financial market”, SICE annual Conference, 2(2), 1409-1412.
* Torrubiano, R.and Suarez ,A(2008).”A Hybrid Optimization Approach to Index Tracking”, Operation Research Journal, 166
* Fabozzi, F. J. & Markowitz, H. M. (2011). Equity Valuation and Portfolio Management. Vol. 199. John Wiley & Sons.
* 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
* Huck, N. & Afawubo, K. (2015). Pairs trading and selection methods: is cointegration superior? Applied Economics. 47(6): pp: 599-613.
* Harry Markowitz, 1991, Portfolio selection: efficient diversification of investments, Wiley-Blackwell.
* Hon, M.T., I. tonks (2003). “Momentum in the UK stock markets”, Journal of Multinational Financial Management. 13 (1):43-70.
* Jegadeesh, N. and Titman, S. (1993). Returns to buying winners and selling losers: implications for stock market efficiency, Journal of Finance, Vol. 48, pp. 65-91.
* Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of basic Engineering. 82(1): 35-45.
* Simpson, P.W., & Osborn, D.R., & Sensier, M. (2001). Modelling businesscycle movements in the UK economy. Economica, 68: 243-267.
* Usta, I., Y.M. Kantar (2011). Mean-Variance-Skewness-Entropy Measures: A Multi-Objective Approach for Portfolio Selection, Entropy. 13: 117-133.
* W. F. Sharpe, “Capital asset prices: A theory of market equilibrium under conditions of risk,” The Journal of Finance, pp. 425–442, 1964.
* S. Ross and R. Roll, “The arbitrage theory of capital asset pricing,” Journal of Economic Theory, vol. 13, pp. 341–360, 1976.
* L. MacLean, E. O. Thorp, and W. T. Z. W. T., The Kelly Capital Growth Investment Criterion, L. MacLean, E. O. Thorp, and W. T. Z. W. T., Eds.
* World Scientific Press, 2011.
* J. T. Moskowitz, Y. H. Ooib, and L. Pedersenb, “Time series momentum,” Journal of Financial Economics, vol. 104, pp. 228–250, 2011.
* E. Gatev, W. N. Goetzmann, and K. G. Rouwenhorst, “Pairs trading: Performance of a relative-value arbitrage rule,” Review of Financial Studies, vol. 19, pp. 797–827, 2006.
* J. Kelly, “A new interpretation of information rate,” Information Theory, vol. 2, pp. 185–189, 1956.
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.
_||_