Corporative Game Theoretic Application in Stock Selection Optimization
Subject Areas :
Journal of Investment Knowledge
Peyman Tataei
1
,
Hashem Nikoomaram
2
,
Ashkan Hafez Alkotob
3
1 - PhD Student, Finance department, Science and Research Branch, Islamic Azad University
2 - Professor of IAU, Science and Research Branch
3 - Professor of IAU, South Tehran Branch.
Received: 2019-03-06
Accepted : 2019-06-24
Published : 2021-09-23
Keywords:
Game theory,
Coalition Game,
Shapely Value,
Stock Selection,
Abstract :
Although Markowitz initially could present a compounded model of risk-return trade-off, the model was incapable of dealing with real constraints. One of financial market characteristics is conflict of interest among market players which cause to the main trend of market be derived by market player’s interactions and each player’s strategy be a function of the other’s play. The second one is uncertainty. Both features are analyzed in Game Theory in order to optimize decision making process.In this paper, united players with negative, less than one, more than one and zero beta, established a coalition against the Market and tried to select securities that enable them to outperform it. The Market used its mean plus and mines three standard deviation as its strategies. Then player’s payoff in each strategy is determined based on how its return is better than Market and Risk free return and also how its Sharp ratio is better than the Market one. After running the game and finding the Shapely value, the optimized weights of each player and each security was calculated. The findings shows that united players won seventy five percent of twelve annual periods ending March 2018 regarding Treynor and Sharp Ratios. Also their performance was meaningfully better than the Market in the whole twelve year period.
References:
ابزری, م., کتابی, س., & عباسی, ع. (1384). بهینه سازی سبد سرمایه گذاری با استفاده از روش های برنامه ریزی خطی و ارائه ی یک مدل کاربردی. ویژه نامه حسابداری، مجله علوم اجتماعی و انسانی دانشگاه شیراز, 22-2.
اسلامی بیدگلی, غ., & طیبی ثانی, ا. (1393). بهینه سازی سبد سرمایه گذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان. فصلنامه علمی-پژوهشی دانش سرمایه گذاری.
اصغرپور, م. (1393). تصمیم گیری گروهی و نظریه بازی ها با نگرش تحقیق در عملیات. تهران: انتشارات دانشگاه تهران.
تاتایی, پ., & رهنمای رودپشتی, ف. (1396). شکست بازار با استفاده از سبد توصیه شده بر مبنای بازی ائتالف. مهندسی مالی و مدیریت اوراق بهادار, 1-24.
تهرانی, ر., & نوربخش, ع. (1392). تئور یهای مالی (مدیریت مالی پیشرفته). نگاه دانش.
خدامرادی, س., & راعی عزابادی, م. (1393). طراحی مدل ریاضی تامین مالی بهینه در شرکتهای هلدینگ صنعتی (رویکرد بازار سرمایه داخلی). مهندسی مالی و مدیریت اوراق بهادار, 18-1.
دریابر, ع. (1395). ارائه الگو جهت بهینه سازی پرتفوی در فضای حباب . رساله دکتری.
راعی, ر., محمدی, ش., & علی بیکی, ه. (1390). بهینه سازی سبد سهام با رویکردمیانگین- نیم واریانس و با استفاده از روش جستجوی هارمونی. فصلنامه علمی پژوهشی پژوهشهای مدیریت در ایران.
شریعت پناهی, س., سهرابی عراقی, م., & شریعتی, ع. (1393). راهبرد سرمایهگذاری معکوس براساس معیارهای پاداشـ ریسک انتخاب سهام. نشریه تحقیقات مالی علمی پزوهشی دانشکده مدیریت دانشگاه تهران.
عباسی, ا., ابوالی, م., & سربازی, م. (1391). انتخاب سبد سهام بهینه با استفاده از الگوریتم ژنتیک NSGA-II. فصلنامه مهندسی مالی و مدیریت اوراق بهادار.
عبدلی, ق. (1395). نظریه بازی ها و کاربرد آن(بازی ها ایستا و پویا با اطلاعات کامل). تهران: انتشارات جهاد دانشگاهی دانشگاه تهران.
عبدلی, ق. (1395). نظریه بازی ها و کاربردهای آن(بازی های اطلاعات ناقص، تکاملی و همکارانه). تهران: انتشارات سمت.
علیزاده. (1392). الگوریتم بهینه سازی و انتخاب بهینه سبد سهام. ماهنامه بورس.
فلاح پور, س., تندنویس, ف., & هاشمی, س. (1394). بهینهسازی پرتفوی ردیاب شاخص با استفاده از مدل تک شاخصی پایدار برمبنای شاخص 50 شرکت فعالتر بورس اوراق بهادار تهران. فصلنامه مهندسی مالی و مدیریت اوراق بهادار دانشکده مدیریت واحد تهران مرکزی.
Chen, W., & Zhang, W. (2010). The admissible portfolio selection problem with transaction costs and an improved PSO algorithm. Physica A: Statistical Mechanics and its Applications,, 2070–2076.
Fraitas, F. S. (2009). "Prediction-based portfolio optimization model using nearal networks. Neuro computing.
Golmakani, H., & Fazel, M. (2011). Constrained Portfolio selsction using particle swarm optimization. Exper system with Application, 8327-8335.
Jobson, J. D., & Korkie, B. (1981). Performance hypothesis testing with the Sharpe and Treynor measures. Journal of Finance.
Jones, C. (1993). Investment Analysis and Management. Forth Edition, Jhon willey & sons, Inc.
Kocak, H. (2014). Canonical Coalition Game Theory for Optimal Portfolio Selection. Asian Economic and Finance Review, 1245-1259.
Malafeyev, O., & Awasthi, A. (2017). Dynamic optimization of a portfolio. Saint Petersburg .
Myerson, R. N. (1991). Game Theory,analysis of conflict. Harvard Uni. Press.
Osborne, M. (2004). An introduction to game theory. New York: Oxford University Press.
Wang, B., Wang, S., & Watada, J. (2011). Fuzzy-portfolio-selection models with value-at-risk. uzzy Systems, IEEE Transactions on.
Zhang, X., Zhang, W., & Xu, W. (2011). An optimization model of the portfolio adjusting problem with fuzzy return and a SMO algorithm. Expert Systems with Applications, 3069–3074.
Zhou, L., & Deng, C. (2019). Portfolio Optimization Problem with Cooperation Behavior.
_||_