مدل تلفیقی چند هدفه و اقتصادسنجی جهت بهینه‌سازی پرتفوی سهام

محورهای موضوعی : حسابداری مالی و حسابرسی

عباس خادم پور آرانی ¹ (گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.)
امیر رضا کیقبادی ² (گروه حساربداری، دانشکده اقتصاد و حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.)
مهدی معدنچی زاج ³ (گروه مدیریت مالی،واحدالکترونیکی،دانشگاه آزاداسلامی،تهران،)
غلامرضا زمردیان ⁴ (گروه مالی، دانشکده مدیریت، دانشگاه آزاد واحد تهران مرکزی، ایران)

تاریخ دریافت : 1401/01/28 تاریخ پذیرش : 1401/03/31 تاریخ انتشار : 1401/05/01

کلید واژه: الگوریتم ژنتیک, اقتصادسنجی, ریسک نقدشوندگی, گارچ چند متغیره, واژه‌های کلیدی: پرتفوی بهینه,

چکیده مقاله :

چکیدهبرای رشد و توسعه کشورها، بنگاه ها و حتی افراد جامعه، سرمایه‌گذاری از جانب آنها امری ضروری و حیاتی است و برای بهره‌گیری و اثربخشی بیشتر، این سرمایه‌گذاری‌ها میبایست بهینه باشد. از زمان معرفی تئوری مارکویتز و حتی قبل از آن، مفهوم سرمایه‌گذاری بهینه به عنوان مصالحه‌ای بین ریسک و بازده، مورد توجه قرار گرفته بود. در طول چندین دهه بعد از آن، تعابیر و ابعاد جدیدی از معیارهای بهینه و خصوصاً ریسک مطرح شده است.در این مقاله سعی شده است با ارائه مدلی از ریسک نقدشوندگی با بهره‌گیری از مفهوم متنوع‌سازی در قالب آنتروپی شانون و رویکرد اقتصادسنجی، سبد بهینه‌ای از سرمایه گذاری با کمترین ریسک و بیشترین بازده، در قالب یک پرتفوی از 4 گروه صنعتی بورس تهران شامل گروههای فلزات اساسی، بانکها، فرآورده‌های نفتی و کانه‌های فلزی که بیشترین ارزش بازار بورس ایران را در اختیار دارند، ارائه شود.داده‌های آماری این پژوهش برای صنایع منتخب، شامل بازده شاخص قیمتی روزانه و بازده شکاف قیمتی روزانه در فاصله سال‌های 1395 تا پایان سال 1399 است. برای محاسبه ریسک نقدشوندگی، با استفاده از روشهای گارچ چند متغیره ، ماتریس واریانس-کوواریانس بازده شاخص قیمتی و شکاف قیمتی، محاسبه و در مدل ارائه شده، استفاده شده و نهایتاً وزن بهینه با استفاده از کد‌نویسی در نرم‌افزار متلب و استفاده از روش بهینه‌سازی الگوریتم ژنتیک رتبه‌بندی نامغلوب نسخه دوم ، برای صنایع منتخب محاسبه شده است.نتایج خروجی مدل نشان می‌دهند وزن بهینه گروه‌هایی که واریانس کمتری دارند در سبد بهینه بیشتر است. ضمن اینکه تاثیر حذف مفهوم نقدشوندگی از مدل منجر به افزایش وزن صنایعی می شود که نقدشوندگی کمتری دارند و به همراه افزایش ریسک، بازده پرتفوی بهینه نیز در این حالت افزایش می‌یابد. همچنین با حذف محدودیت شاخص متنوع‌‌سازی شانون، نتایج خروجی نشان می‌دهند این محدودیت تقریباً تاثیری بر اوزان بهینه (حداقل در این مدل) نمی‌گذارد.

چکیده انگلیسی:

AbstractFor the growth and development of countries, companies, and even individuals, investment on their part is necessary and vital, and these investments should be optimal for more benefit and effectiveness. Since the introduction of Markowitz's theory and even before that, the concept of optimal investment as a compromise between risk and return has been considered. During several decades after that, new definitions and dimensions of optimal criteria and especially risk have been proposed.In this article, an attempt has been made to present a model of liquidity risk using the concept of diversification in the form of Shannon's entropy and an econometric approach, an optimal portfolio of investments with the lowest risk and the highest return, in the form of a portfolio of 4 industrial groups of the Tehran Stock Exchange, including metal groups. Essentially, banks, oil products and metal ores, which have the highest market value of the Iranian stock market, should be provided.The statistical data of this research for selected industries include daily price index return and daily price gap return between 2015 and the end of 2019. To calculate the liquidity risk, using multivariate GARCH methods, the variance-covariance matrix of price index return and price gap, calculated and used in the presented model, and finally the optimal weight using coding in MATLAB software and using algorithm optimization method The genetics of non-excessive ranking of the second edition has been calculated for selected industries.The output results of the model show that the optimal weight of the groups with less variance in the optimal portfolio is higher. Besides, the effect of removing the concept of liquidity from the model leads to an increase in the weight of industries that have less liquidity, and along with the increase in risk, the return of the optimal portfolio also increases in this case. Also, by removing the limitation of Shannon's diversification index, the output results show that this limitation has almost no effect on the optimal weights (at least in this model).

منابع و مأخذ:

فهرست منابع
اسلامی بیدگلی، غلامرضا و علیرضا سارنج، (1387)، "انتخاب پرتفوی با استفاده از سه معیار میانگین بازدهی، انحراف معیار بازدهی و نقدشوندگی در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، صص 3-16.
حاتمی، امین، تیمور محمدی، فرهاد خداداد کاشی و اصغر ابوالحسنی هستیانی، (1397)، “پویایی‌های نسبت بهینه پوشش ریسک در بازارهای سهام و طلا: رهیافت VAR-DCC-GARCH"، فصلنامه اقتصاد مالی، صص 73-92.
حکیمی پور، نادر، اسعداله رضایی و رضا نریمانی، (1392)، “کاربرد روش شبکه عصبی مصنوعی و مدل‌های واریانس ناهمسانی شرطی در محاسبه ارزش در معرض خطر"، فصلنامه علوم اقتصادی، سال هفتم، شماره بیست و چهارم. 
حیدری، حسن و احمد ملا بهرامی، (1389)، "بهینه سازی سبد سرمایه‌گذاری سهام بر اساس مدل‌های چند متغیره GARCH: شواهدی از بورس اوراق بهادار تهران"، تحقیقات مالی، دانشکده مدیریت دانشگاه تهران، صص 35-56.
رستمی، محمد رضا و فاطمه حقیقی، (1392)، "مقایسه عملکرد مدل‌های GARCH چند متغیره در تعیین ریسک پرتفوی"، تحقیقات مالی، دانشکده مدیریت دانشگاه تهران، صص 215-228.
رستمی، علی و نرگس نیک نیا، (1392)، "تأثیر متنوع سازی پرتفوی بر ارزش در معرض ریسک در بورس اوراق بهادار تهران"، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری. 
سوری، علی، (1391)، "اقتصادسنجی (پیشرفته) همراه با کاربرد Eviews"، نشر فرهنگ شناسی.
شاهوردیانی، شادی و مهناز احدزاده نمین، (1397)، "ارزیابی مالی شرکت‌های بیمه خصوصی و دولتی با استفاده از روش تلفیقی کارای متقاطع و آنتروپی شانون"، مجله مهندسی مالی و مدیریت اوراق بهادار. 
شریف کریمی، محمد، مریم حیدریان و شهرام دهقان جبار آبادی، (1397)، "تحلیل اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران در طول مقیاسهای چندگانه زمانی(با استفاده از مدل VAR-GARCH-BEKK بر پایه موجک )"، فصلنامه اقتصاد مالی، صص 25-46.
عباسی نژاد، حسین، شاپور محمدی و سجاد ابراهیمی، (1393)، "مقایسه مدل های نوسان‌پذیری چند متغیره در برآورد رابطه بین نرخ ارز و شاخص سهام"، فصلنامـه علمی پژوهشی دانش سرمایه‌گـذاری، صص 35-56.
عرفانی، علیرضا و اکرم چرم گر، (1393)، "بررسی تأثیر نااطمینانی قیمت نفت بر متغیرهای اقتصاد کلان ایران: روش گارچ چندمتغیره با تصریح BEKK"،فصلنامه مطالعات اقتصاد انرژی، صص 129-147.
فلاح شمس، میر فیض و یعقوب پناهی، (1393)، “مقایسه کارایی مدل های خانواده GARCH در مدل‌سازی و اندازه‌گیری ریسک نقد شوندگی بورس اوراق بهادار تهران.” فصلنامـه علمی پژوهشی دانش سرمایه‌گـذاری. 
کیقبادی، امیر رضا و محمد احمدی، (1395)، "مقایسه کارایی روش‌های GARCH و ARCH در پیش‌بینی ارزش در معرض ریسک جهت انتخاب پرتفولیوی بهینه.” پژوهش‌های حسابداری مالی و حسابرسی، صص 63-82.
محمدی، تیمور، نعمت فلیحی و معصومه شاه کرم اوغلی، (1393)، "تحلیل تأثیر بازار بورس بین‌المللی بر بازار بورس ایران: استفاده از رهیافت سیستم دینامیکی و GARCH"، فصلنامه علوم اقتصادی. 
منصور فر، غلامرضا، حمزه دیدار و میرسعید محمدی، (1392)، "مقایسه رفتار سبد دارایی‌های بین‌المللی بهینه شده براساس مدل‌های مبتنی بر روش‌های همبستگی ثابت و شرطی پویا"، فصلنامه علمی- پژوهشی مدیریت دارایی و تامین مالی، صص 75-92.
مهدی زاده، صبا و پریسا ثابت، (1391)، "انتخاب بهینه سبد سرمایه بورسی صندوق بازنشستگی شرکت نفت با استفاده از مدل‌های مارکویتز و VaR"، سومین کنفرانس ریاضیات مالی و کاربردها. 
نادری, ابراهیم و علی اسماعیل زاده مقری, (1399)، "برآورد اختلاف قیمت پیشنهادی خریدوفروش سهام با استفاده از الگوریتم کلونی زنبورعسل مصنوعی( ABC)"، پژوهش های حسابداری مالی و حسابرسی، صص 121 تا 147.
نریمانی، احمد و رضا نریمانی، (1394)، "تحلیل سری‌های زمانی با استفاده از EViews و Matlab"، انتشارات ناقوس.
نوروزی نصر, حسین، مهدی مرادزاده فرد و اعظم شکری, (1398)، "تأثیر مالکیت شرکت‌های سرمایه‌گذاری بر نقدشوندگی سهام"، پژوهش‌های حسابداری مالی و حسابرسی، صص 23 تا 45.

Aktas, Cihan, and Orcan Cortuk. (2012), "Measurement of Liquidity-Adjusted Market Risk by VaR and Expected Shortfall: Evidence from Turkish Banks", Journal of Applied Finance & Banking, PP. 137-147.
Anil Bangia, Francis X. Diebold. (1998), "Modeling Liquidity Risk, With Implications for Traditional Market Risk Measurement and Management", (universiy of pennsylvania).
Bonga, Lumengo. (2018), "Assessing Portfolio Market Risk in the Brics Economies: Use of Multivariate GARCH Models", International Economics, PP. 87-128.
Botha, Marius. (2008), "Portfolio Liquidity-Adjusted Value-at-Risk", Financial Markets and Portfolio Management, PP. 203-215.
Christian Francq, Jean-Michel Zakoian. (2019), “GARCH Models : Structure, Statistical Inference, and Financial Applications”, A John Wiley and Sons, Ltd., Publication.
Chun Tsai, Chui, and Tsun Siou Lee. (2017), "Liquidity-Adjusted Value-at-Risk for TWSE Leverage/ Inverse ETFs: A Hellinger Distance Measure Research", Journal of Economics and Management PP. 53-81.
Dong, Lei, و Jay Cheung (2006 ),” Liquidity Adjusted Value-at-Risk for Portfolios of Assets”, Dissertation, Financial Risk Management Program.
Ebrahimi, Seyed Babak, and Seyed Morteza Emadi. (2017), "Portfolio Optimization for Retail Investors, with the Approach of Multivariate GARCH Models", International Journal of Industrial Engineering & Production Management PP. 149-160.
(2015), "Investment Portfolio Optimization with GARCH Models", ELK Asia Pacific Journal of Finance and Risk Management PP. 2325-2349.
Naimy, v. (2014), "Asset Liquidity Adjusted VaR", Journal of Business & Financial Affairs. 
Stange, Sebastian. (2009), “Market Liquidity Risk”, Dissertation- Technische Universität München.
Yilmaz, T. 2010. "Improving Portfolio Optimization By Dcc And Deco Garch Evidence From Istanbul Stock Exchange." Munich Personal Repec Archive.