به کارگیری الگوهای بهینه‌سازی پایدار و برنامه‌ریزی آرمانی در مسئله انتخاب سبد سرمایه‌گذاری چند دوره‌ای
محورهای موضوعی : مهندسی مالی
ساغر همائی‌فر
1
(
دانشجوی کارشناسی ارشد مهندسی مالی، دانشکده صنایع، دانشگاه خواجه نصیرالدین طوسی
)
عماد روغنیان
2
(
استادیار گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر الدین طوسی
)
کلید واژه: هزینه معاملات, بهینه سازی پایدار, برنامه ریزی آرمانی, شبکه های عصبی مصنوعی, بهینه سازی سبد سهام چند دوره ای,
چکیده مقاله :
یکی از مهم ترین مسائل دنیای مالی، انتخاب سبد سرمایه گذاری است. سرمایه گذاران همواره برآنند که بهترین تصمیمات را مطابق با شرایط دنیای واقعی اتخاذ نمایند. در دنیای واقعی از یک طرف، داده ها همواره با عدم قطعیت مواجه هستند و از طرف دیگر استراتژی‌‌ها برای انتخاب سبد سرمایه گذاری، اغلب چند دوره‌ای هستند و سرمایه گذار باید موقعیت خود را در طول زمان مورد بازنگری قرار دهد. از این رو در این پژوهش به بهینه سازی سبد سرمایه گذاری با در نظر گرفتن افق چند دوره ای و هزینه مبادلات می پردازیم، عدم قطعیت داده ها نیز با استفاده از برنامه ریزی پایدار و خصوصاً رویکرد برتسیماس و سیم، مدل سازی می شود. مدل ارائه شده یک مدل چند هدفه میانگین-ارزش در معرض خطر شرطی است که برای حل آن از برنامه ریزی آرمانی استفاده می شود. در حل مدل مذکور به پیش بینی بازده های آتی سهام نیاز است که این امر با استفاده ازکاربرد شبکه عصبی در پیش بینی قیمت آتی سهام انجام می گردد. در نهایت کیفیت نتایج حاصل از مدل پایدار ارائه شده با نتایج مدل قطعی مقایسه می شوند. نتایج حاصل از حل مدل حاکی از آن است که در نظر گرفتن فرض عدم قطعیت داده ها، در کنار سایر فروض عنوان شده، مقدار تابع هدف نهایی را بدتر می کند که نشان دهنده منطقی بودن جواب های حاصل از مدل است. به عبارت دیگر ما از حل این مدل به پاسخ های کاراتر و کاربردی تری دست می یابیم.
Portfolio selection is one of the most important area in financial world. Investors always want to make the best decisions which are compatible with conditions of real world. In the real world, data are usually under uncertainty. On the other hand, the most of strategies for portfolio selection are multi-period. Therefore, investors should rebalance their portfolios during investment horizon. In this research we present a multi-period portfolio optimization model which considers transaction costs and deal with uncertainty by application of robust programming. This model is a mean-CVaR multi objective model that is solved by goal programming. Furthermore, most of previous researches have used regression or time series models to forecast future returns of stocks for solving numerical examples, however, in this paper we forecast future returns by using Artificial Neural Networks (ANNs). Finally, solutions of robust model are compared with results of nominal one. These results show that consideration of data uncertainty and other real assumptions lead to more practical solutions.
