تاثیر تحلیل الگوریتم ترکیبی فراابتکاری در تنوع بخشی پرتفوی و بازده مازاد صندوق های سرمایه گذاری و نقش آن در بازاریابی مالی اسلامی
محورهای موضوعی : بازارهای مالی و اقتصادی
نرگس صالحی آذری
1
(دانشجوی دکتری مهندسی مالی، گروه مهندسی مالی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران.)
شادی شاهوردیانی
2
(استادیار، گروه مدیریت بازرگانی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران.)
غلامرضا زمردیان
3
(استادیار، گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.)
کلید واژه: پرتفوی, الگوریتم ترکیبی, تنوع بخشی, بازده مازاد, فراابتکاری,
چکیده مقاله :
هدف از انجام این پژوهش، بررسی تاثیر تحلیل الگوریتم ترکیبی فراابتکاری در تنوع بخشی پرتفوی و بازده مازاد صندوق های سرمایه گذاری و نقش آن در بازاریابی مالی اسلامی می باشد. تحقیق حاضر از نظر روش جزء تحقیق‌های همبستگی می‌باشد در پژوهش‌های همبستگی تلاش محقق برای کشف یا تعیین رابطه بین یک یا چند متغیر تمرکز دارد. در واقع هدف این روش مطالعه حدود تغییر‌های یک یا چند متغیر با حدود تغییر‌های یک یاچند متغیر دیگر است واز نظر هدف این پژوهش، تحقیقی کاربردی است که نتایج حاصل از آن می‌تواند برای سهامداران، مسئولین بورس اوراق بهادار و محققان مفید باشد و از نظر نوع بررسی‌های پس رویدادی که بر اساس داده‌های مالی گذشته به بررسی فرضیه‌ها می‌پردازد. جامعه‌ی آماری این پژوهش شامل کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی دوره 36 ماهه در بازه زمانی فروردین 1399 تا اسفند 1401 است که تعداد آنها بر اساس نرم افزار ره آورد 591 شرکت است. با توجه به شرایط و اعمال محدودیتهای یاد شده تعداد ۱۵۰ شرکت در ۳۶ ماهه منتهی به اسفند ماه 1401 به عنوان نمونه انتخاب شد. با مشاهده نتایج مدل های انتخاب سبد سهام با سنجه های منفرد و ترکیبی درمی یابیم که در هر سه مدل با افزایش بازده، مقدار ریسک نیز افزایش می یابد.که این نشان می دهد سرمایه گذاران برای کسب بازده بیشتر، ناگزیر به پذیرش ریسک بالاتری هستند. از نظر سرمایه گذار مدل چند هدفه ارائه شده بر مدل های موجود و متداول برتری دارد، چرا که جواب بهتر و چند بعدی نسبت به سایر روش ها به دست آمده
The purpose of this research is to investigate the impact of meta-heuristic hybrid algorithm analysis on portfolio diversification and excess returns of investment funds. In terms of method, the current research is a part of correlation research. In correlation research, the researcher's effort is focused on discovering or determining the relationship between one or more variables. In fact, the purpose of this method is to study the limits of changes of one or more variables with the limits of changes of one or more variables, and from the point of view of the purpose of this research, it is an applied research, the results of which can be useful for shareholders, stock exchange officials, and researchers. It is useful and in terms of the type of post-event studies that examines hypotheses based on past financial data. The statistical population of this research includes all the companies admitted to the Tehran Stock Exchange during the period of 36 months in the period from April 2019 to March 2011, which number is 591 companies based on the Rahevard software. According to the conditions and application of the aforementioned restrictions, 150 companies were selected as a sample in the 36 months ending in March 1401. By observing the results of the stock portfolio selection models with single and combined measures, we find that in all three models, the amount of risk increases with the increase in return. This shows that investors, in order to obtain more return, They are forced to accept
ابراهیمی، ایلناز و همتی، مریم،1397،نقش و اثرگذاری صندوق های بازنشستگی در ثبات مالی اقتصاد ایران؛لزوم شکل گیری مقام ناظر احتیاطی،بیست و هشتمین همایش سالانه سیاست‌های پولی و ارزی :با موضوع: اصلاحات ساختاری برای ثبات مالی،تهران،
بحری ثالث، جمال؛ پاک مرام، عسگر؛ ولی زاده، مصطفی (1397). انتخاب و بهینه‌سازی سبد سهام با استفاده از روش میانگین واریانس مارکویتز با بهره‌گیری از الگوریتم‌های مختلف. دانش مالی تحلیل اوراق بهادار، دوره 11، شماره 37، صص 43-53.
بهزادپور، سمیرا و رحمانی، علی،1398،ارزیابی سودمندی اطلاعات ارائه شده در صورت های مالی صندوق های بازنشستگی
بیات علی؛ اسدی، لیدا. (1396). بهینه سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکویتز. مهندسی مالی و مدیریت اوراق بهادار، دوره 8، شماره 32، صص 63-85.
پاک مرام، عسگر؛ بحری ثالث، جمال؛ ولی زاده، مصطفی (1396). انتخاب و بهينه سازي سبد سهام با استفاده از الگوريتم ژنتيك، با بهره گيري از مدل ميانگين-نيمه واريانس ماركويتز. مهندسی مالی و مدیریت اوراق بهادار، دوره 8، شماره 31، صص 19-42.
رضوی، سیدمهدی و بزرگ اصل، موسی و امیری، میثم و ابراهیمی سروعلیا، محمدحسن و خاشعی ورنامخواستی، وحید،1400،تخصیص دارایی صندوق های بازنشستگی با استفاده از رویکرد ترکیبی برنامه ریزی سناریو مبنا و روش بهترین-بدترین
شمس قارنه، ناصر؛ شهلایی، شهاب الدین (1398). بهینه¬سازی تنوع سهم¬های موجود در سبد صندوقهای سرمایه¬گذاری بخشی. فصلنامه علمی- پژوهشی مدیریت دارایی و تأمین مالی، سال 3، شماره 2، صص 1-14.
Cauwet, M.L., Liu, J., Rozière, B., Teytaud, O. Algorithm portfolios for noisy optimization. Annals of Mathematics and Artificial Intelligence, February 2016, Volume 76, Issue 1, pp 143–172.
Cui, X., Gao, J., Shi, Y., Zhu, SH. (2019). Time-consistent and self-coordination strategies for multi-period mean-Conditional Value-at-Risk portfolio selection . European Journal of Operational Research 276 (2019) 781–789 .
Ding, D., C.Sickles, R. (2018). Frontier efficiency, capital structure, and portfolio risk: An empirical analysis of U.S. banks. BRQ Business Research Quarterly, Volume 21, Issue 4, October–December 2018, Pages 262-277.
Doering, J, Kizys, R, Juan, AA, Fitó, À & Polat, O 2019, 'Metaheuristics for rich portfolio optimisation and risk management: current state and future trends', Operations Research Perspectives, vol. 6, 100121. https://doi.org/10.1016/j.orp.2019.100121
Fitzpatrick, Brian D. Church, Joshua. Hasse, Christopher H. (2012). Specialty Funds vs. General Mutual Funds and Socially Responsible Investment (SRI) Funds: An Intriguing Risk / Return Paradigm. Journal of Applied Business and Economics
Hu, Jin-Li. Chang, Tzu-Pu. Chou, Ray Yeutien. (2014). Market Conditions and the Effect of Diversification on Mutual Fund Performance: Should Funds Be More Concentrative Under Crisis? Journal of Productivity Analysis. 41. Issue 1. 141-151.
Huang, CH-Y., Chiou, CH-CH., Wu, T-H., Yang, SH-CH (2015), An integrated DEA-MODM methodology for portfolio optimization, Operational Research, Volume 15, Issue 1, pp 115–136.
Huang, J.-J. And So, L.-C. (2018) Application of Copula-GARCH to Estimate VaR of a Portfolio with Credit Default Swaps. Journal of M a thematical Finance, 8, 382-407.
Larsen, Glen A. Jr Bruce G Resnick. (2012). An Optimization Strategy for Enhancing the Performance of Fund-ofFunds Portfolios. Journal of Portfolio Management. 38. 2. 147-154
Lee, Yongjae & Kim, Woo Chang & Kim, Jang. (2020). Achieving Portfolio Diversification for Individuals with Low Financial Sustainability. Sustainability. 12. 7073. 10.3390/su12177073.
Liesiö, Juuso & Xu, Peng & Kuosmanen, Timo. (2020). Portfolio Diversification based on Stochastic Dominance under Incomplete Probability Information. European Journal of Operational Research. 286. 10.1016/j.ejor.2020.03.042.
Petropoulos, Anastasios & Chatzis, Sotirios & Siakoulis, Vasilis & Vlachogiannakis, Nikos. (2017). A Stacked Generalization System for Automated FOREX Portfolio Trading. Expert Systems with Applications. 90. 10.1016/j.eswa.2017.08.011.
Ta, & Liu, & Tadesse,. (2020). Portfolio Optimization-Based Stock Prediction Using Long-Short Term Memory Network in Quantitative Trading. Applied Sciences. 10. 437. 10.3390/app10020437.
Talat A. Rauf, A. (2009). Performance Evaluation of Pakistani Mutual Funds. Pakistan Economic and Social Review. 47. 199-214.
Yaman, I. and Dalkılıç, T.E., 2021. A hybrid approach to cardinality constraint portfolio selection problem based on nonlinear neural network and genetic algorithm. Expert Systems with Applications, 169, p.114517.
Zhai, Q. & Ye, T. & Huang, M. & Feng, S. & Li, H.. (2020). Whale Optimization Algorithm for Multiconstraint Second-Order Stochastic Dominance Portfolio Optimization. Computational Intelligence and Neuroscience. 2020. 1-19. 10.1155/2020/8834162.
Zoia, M. G., Biffi, P., & Nicolussi, F. (2018). Value at Risk and Expected Shortfall based on Gram-Charlier-like expansions. Journal of Banking & Finance, 93, 92-104.
