توسعه مدل بهینه‌سازی پورتفوی با استفاده از ضریب ریسک گریزی تغییر یافته
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
روح اله مهرعلیزاده شیادهی
1
,
حسین دیده خانی
2
,
علی خوزین
3
,
آرش نادریان
4
1 - دانشجوی مقطع دکتری مهندسی مالی، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران
2 - استادیار گروه مهندسی مالی، دانشگاه آزاد اسلامی واحد علی آباد کتول، گلستان، ایران
3 - گروه حسابداری، واحد علی‌آباد کتول ، دانشگاه آزاد اسلامی، علی‌آباد کتول، ایران
4 - هیات علمی
کلید واژه: ضریب ریسک‌گریزی, بهینه‌سازی سبد سهام, الگوریتم ژنتیک, بورس اوراق بهادار تهران, بهینه سازی مقید,
چکیده مقاله :
در این مقاله با استفاده از ادبیات پژوهش و روش‌های ریاضی به اعمال تغییراتی برای مناسب‌تر نمودن استفاده از ضریب ریسک‌گریزی در مدل‌های بهینه‌سازی اقدام شد. ضریب ریسک‌گریزی معرفی شده در این پژوهش با اعمال در بخش بیشینه‌سازیِ بازده مدل بدون ایجاد اثر نامطلوب، قادر خواهد بود دقت الگوریتم‌های فرا ابتکاری را در یافتن پاسخ‌های بهینه بهبود بخشد. در ادامه مدل ارائه شده برای 30 سهم از بازار بورس اوراق بهادار تهران به همراه یک دارایی با ریسک صفر با لحاظ نمودن برخی محدودیت‌های موجود در بازار ایران بکار گرفته شد. به منظور حل مدل از روش بهینه‌سازی فرا ابتکاری ژنتیک استفاده گردید و برای سنجش کارایی مدل، نتایج اجرای فرایند بهینه سازی با 2500 پورتفوی تصادفی که در محدودیت‌های مساله قرار داشت مقایسه گردید و نتایج حاصله نشان داد پاسخ‌های ارائه شده توسط مدل در هر دو عامل ریسک و بازده بصورت همزمان نسبت به سایر پورتفوهای تصادفی برتری محسوسی ایجاد نموده است.
In this paper, we propose a modification to the use of the risk aversion coefficient in optimization models, based on research literature and mathematical methods. The modified risk aversion coefficient introduced in this paper can be applied in the maximization part of the model without any adverse effects. By doing so, it can improve the accuracy of meta-heuristic algorithms in finding optimal solutions. To test the efficacy of our proposed model, we applied it to 30 shares of the Tehran Stock Exchange, along with a zero-risk asset, taking into account some limitations in the market. We used a genetic meta-heuristic optimization method to solve the model, and to measure its efficiency, we compared the results of the optimization process with 2500 randomly generated portfolios that were within the problem's constraints. Our results show that our model outperforms the random portfolios in terms of both risk factors and return. In conclusion, our proposed modification to the risk aversion coefficient can improve the accuracy of optimization models, and our results demonstrate its effectiveness in generating optimal portfolios in the market.
