ارائه مدلی جهت بهینه‌سازی فعال سبد سهام با استفاده از ارزش در معرض ریسک شرطی؛ کاربردی از رویکرد مدل‌های ناهمسانی واریانس شرطی بر اساس رویکرد الگورتیم DE

محورهای موضوعی : دانش سرمایه‌گذاری

سعید فلاح‌پور ¹ (استادیار گروه مدیریت مالی دانشکده مدیریت دانشگاه تهران)
رضا راعی ² (استاد گروه مدیریت مالی دانشکده مدیریت دانشگاه تهران)
محمداسماعیل فدائی‌نژاد ³ (دانشیار گروه مدیریت مالی دانشکده مدیریت دانشگاه شهید بهشتی)
رضا مناجاتی ⁴ (دانشجوی دوره دکتری مدیریت مالی دانشگاه تهران (نویسنده مسئول))

تاریخ دریافت : 1396/04/05 تاریخ پذیرش : 1396/08/06 تاریخ انتشار : 1398/04/01

کلید واژه: بهینه‌سازی فعال سبد سهام, رویکرد DE, ارزش در معرض ریسک شرطی, ریسک, بازدهی,

چکیده مقاله :

مدیریت فعال یکی از موضوعاتی است که باتوجه به نقض کارا بودن بازارهای مالی اهمیت بسزایی دارد. چرا که در بازار ناکارا امکان کسب بازده غیرعادی از طریق مدیریت فعال پرتفوی وجود دارد. در بسیاری از پژوهش‌های انجام شده در این رابطه هدف کسب بازده مازاد نسبت به پرتفویی مبنا از طریق به حداقل رساندن نوسان خطای رهگیری (TEV[i]) بوده است که در این راستا به ریسک کل پرتفوی توجه نمی‌شود. در این پژوهش به کمک الگوریتم تکامل تفاضلی (DE[ii]) به بهینه‌سازی فعال پرتفوی با هدف به حداکثر رساندن بازده مازاد پرتفوی نسبت به پرتفوی معیار با در نظر گرفتن ریسک کل پرتفوی که در محاسبه آن از معیار ارزش در معرض ریسک شرطی ([iii]CVaR) محاسبه شده بر اساس رویکرد GARCH استفاده شده است، خواهیم پرداخت. نتایج بررسی سبد سهام متشکل از 14 سهم با میانگین بازدهی مثبت از ابتدای سال 1390 تا انتهای خرداد ماه 1396 از 50 شرکت برتر بورس به صورت ماهانه نشان می‌دهد که در نظر گرفتن قید ریسک کل پرتفوی بر اساس ارزش در معرض ریسک شرطی موجب کارایی بهتر در بهینه‌سازی فعال سبد سهام بر اساس رویکرد پس‌آزمایی وزن‌دهی مجدد و محاسبه ارزش انباشت سبد سهام می‌گردد. [i]Tracking Error Varince [ii]Diferential Evoloution [iii] Conditional Value at Risk

چکیده انگلیسی:

Active management is one of the issues that is important in terms of violating effectiveness of financial markets financial markets. Because inefficient market, there is a potential to generate abnormal returns through active portfolio management. In many studies in this regard the reason for the surplus return compared to the baseline portfolio by minimizing the tracking error variance (TEV) in this regard, the risk of the entire portfolio is not taken into account. In this study, by using the differential evolution algorithm (DE) to optimize the active portfolio, with the goal of maximizing portfolio surplus returns compared to the standard portfolio, considering the risk of the entire portfolio from the calculated conditional risk value criterion (CVaR) based on the GARCH approach is used. The results of the portfolio consist of 14 stocks with a positive average yield from the beginning of 2011 to the end of June of 2017 from the top 50 stock exchanges on a monthly shows that subject to risk portfolio based on CVaR, causes better performance in the active optimization of the portfolio, based on backtesting method.    

منابع و مأخذ:

*       اسلامی بیدگلی، غلامرضا، سارنج، علیرضا(1387)، انتخاب پرتفوی با استفاده از سه معیار میانگین بازدهی، انحراف معیار بازدهی و نقد شوندگی در بورس اوراق بهادار تهران، بررسی های حسابداری و حسابرسی، دوره 89 ،شماره 98 ،پاییز 87 ،صفحه 8 الی 82

*        اسلامی بیدگلی، غلامرضا، وافی ثانی، جلال، علی زاده، مجید، با جلان، سعید(1388)، بهینه سازی و بررسی اثر میزان تنوع بر عملکرد پرتفوی با استفاده از الگوریتم مورچگان، فصلنامه بورس اوراق بهادار، سال دوم، شماره پنجم، بهار 88 ،صفحه 92 الی 29

*       اهری، دیار(1388)، پرتفوی بهینه از طریق معیار ارزش در معرض خطر: بکارگیری الگوریتم بهینه‌سازی اجتماع ذرات، پایان نامه کارشناسی ارشد، دانشگاه تهران.

*       تهرانی، رضا، محمد هندیجانی زاده و عیسی نوروزیان لکوان (1393). "ارائه رویکردی جدید برای مدیریت فعال پرتفوی و انجام معاملات هوشمندسهام با تأکید بر نگرش انتخاب ویژگی"، فصلنامه علمی پژوهشی دانش سرمایه گذاری، سال چهارم، شماره 13، بهار 1394، صفحات 125-107.

*        حسینی، سیده عاطفه، شاه طهماسبی، اسماعیل، ابویی مهریزی، منیره، وران، رامین(1392)، تحلیل بنیادی سهام با رویکرد کارایی در مرزهای واقعی و تعیین اهمیت شاخص ها برای رسیدن به شرایط مطلوب، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال ششم، شماره 83 ،پاییز 92 ،

*       رادپور، میثم، عبده تبریزی،حسین(1388) - "اندازه گیری و مدیریت ریسک بازار"- چاپ اول – انتشارات آگاه

*       راعی رضا، فلاح‌پور، سعید(1388)، طراحی مدلی برای مدیرت فعال پرتفوی با استفاده از VaR و الگوریتم ژنتیک، پایان نامه دکتری دانشکده مدیریت دانشگاه تهران

*    راعی، رضا. علی بیگی، هدایت(1388)،بهینه‌سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات، تحقیقات مالی، دوره 12، شماره 29، صفحه21-40.

*       راعی، رضا، حسینی، سید فرهنگ(1394)، مقایسه بازده معاملات مبتنی بر نماگرهای تکنیکی و منطق فازی و روش ترکیبی فازی ژنتیک، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 69 ،

*       رهنمای رود پشتی، فریدون، چاوشی، کاظم، صابر، ابراهیم(1393)، بهینه‌سازی پرتفوی متشکل از سهام صندوق‌های سرمایه‌گذاری مشترک بورس اوراق بهادار تهران با رویکرد الگوریتم ژنتیک، فصلنامه دانش سرمایه گذاری، شماره 86 ،زمستان 93 ،

*       فلاح‌پور، سعید، تند نویس فرید، امیر هاشمی، سید محمد(1394)، بهینه سازی پرتفوی ردیاب شاخص با استفاده از مدل تک شاخصی پایدار بر مبنای شاخص 91 شرکت فعال تر بورس اوراق بهادار تهران، مهندسی مالی و مدیریت اوراق بهادار، شماره 69 ،پاییز 94

*       گرکز، منصور. عباسی، ابراهیم. مقدسی، مطهره(1389)،انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک بر اساس تعاریف متفاوتی از ریسک، فصلنامه مدیریت صنعتی دانشکده علوم انسانی دانشگاه آزاد اسلامی واحد سنندج، صفحه115-136.

*       نویدی، حمیدرضا. نجومی مرکید، احمد. میرزا زاده، حجت(1388)، تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتم های ژنتیک، تحقیقات اقتصادی، شماره 89، صفحه243-262.

*       Arnone, S. Loraschi, A. &Tettamanzi, A(1993), A Genetic Approach to Portfolio Selection, Neural Network World, No. 6, pp. 597–604.

*       Fabio D. Freitasa., Alberto F. De Souzab.,-Ailson R. de Almeidac(2007), Prediction-Based Portfolio Optimization Model Using Neural Networks, Lattice Computing and Natural Computing, p.p.2155-2170.

*       Fernandez, A. Gomez, S (2007), Portfolio Selection Using Neural Networks, Computer&Operation Research, p.p. 1177-1191.

*       Gaivoronski, A. Pflug, G.(2005),Value at Risk in Portfolio Optimization: Properties and Computational Aapproach, Journal of Risk, p.p.1-31.

*       Guang-Feng, Deng. Woo-Tsong, Lin (2010), Ant Colony Optimization for Markowitz Mean-Variance Portfolio Model.” , Swarm, Evolutionary and Memetic Computing Lecture Notes in Computer Science, 245, p.p. 6466-238.

*       Jia, J.Dyer, J. S(1996), A Standard Measure of Risk and Risk-Value Models, Management Science, p.p.1691-1705.

*       Kennedy, J.(1997), The particle Swarm , Social adaptation of knowledge, p.p.303-308.

*       Kennedy, J.Eberhart, R(1995), A New Optimizer Using Particle Swarm Theory, In Sixth international symposium on micro machine and human scienc., p.p.43-39.

*       Ozsoydan, Fehmi Burcin, Sarac ,Tugba,(2011), A Discrete Particle Swarm Optimization Algorithm for Bicriteria Warehouse Location problem  Istanbul University Econometrics & Statistics e-Journal, 13, p.p. 114-124.

*       Konno, H(2003), Portfolio Optimization of Small Fund Using Mean-Absolute Deviation Model, International Journal of Theoretical and Applied Finance, p.p. 403-418.

*       Konno, H. Koshizuka, T.(2005), Mean-Absolute Deviation Model, IIE Transactions,p.p.893-900.

*       Konno, H.Yamazaki, H.(1991), Mean-Absolute Deviation Portfolio Optimization Model and It's Applications to Tokyo Stock Market, Management Science, p.p.519-531.

*       Lai, king keung, leanYu, Shouyang, Wang, Chengxiong, Zhou(2006), A Double-Stage Genetic Optimization, ICONIP'06 Proceedings of the 13th international conference on Neural information processing, p.p. 928-937.

*       Loraschi, A. Tettamanzi, A. Tomassini, M. Svizzero, C. Scientifico, C.Verda, P.(1995) , Distributed Genetic Algorithms with An Application to Portfolio Selection Problems, in:  artificial neural networks and genetic algorithms, Berlin, Springer-Verlag, p.p.384-387.

*       Markowitz, H. M.(1952), Portfolio Selection,The Journal of Finance, p.p. 77-91.

*       Markowitz, H.M.(1959), Portfolio selection: Efficient diversification of investments; John Wiley & Sons.

*       Paterlini, S.Krink, T.(2006), Differential Evolution and Particle Swarm Optimization in Partitional Clustering.” , Computational Statistics and Data Analysis, No.50, p.p. 1220-1247.

*       Ratnaweera, A. Halgamuge, S.Watson, H.(2004), Self-Organizing Hierarchical Particle Swarm Optimizer with Time-Varying Acceleration Coefficients, Transactions on Evolutionary Computation, No. 8, p.p. 240-255.

*       Rolland, E.(1996), A Tabu Search Method for Constrained Real-Number Search:Applications to Portfolio Selection,Technical Report, Department of Accounting and Management Information Systems, Ohio State University, Columbus.

*       Sharpe, W.F. (1964). Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk. The Journal of Finance, 19(3), pp. 425–442.

*       Shi, Y.Eberhart, R.(1998), A Modified Particle Swarm Optimizer, IEEE world congress on computational intelligence, p.p.69-7s3.

*       Tehran Securities Exchange Technology Management Co http://www.tsetmc.com

*       Tehran Stock Exchange http://www.irbourse.com

*       Tun-Jen, Chang. Sang-Chin, Yang. Kuang-Jung, Chang(2009), Portfolio Optimization Problems in Different Risk Measures Using Genetic Algorithm, Expert Systems with Applications, p.p. 10529-10537.

*       Cura, T. (2009), Particle Swarm Optimization Approach to Portfolio Optimization, Nonlinear Analysis: Real World Applications, No.10, p.p. 2396–2406.

*      Woodside-Oriakhi, M. Lucas, C. Beasley, J.E.(2011), Heuristic Algorithms for The Cardinality Constrained Efficient Frontier, European Journal of Operational Research, p.p. 538-550