بهینه‌سازی سبد سهام در سطح صنایع همراه با در نظر گرفتن محدودیت‌ها در عمل: میزان نقدشوندگی، هزینه معاملات، ضریب گردش سبد و خطای تعقیب

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد، گروه علوم اقتصادی، دانشکده علوم انسانی، دانشگاه خاتم، تهران، ایران.

2 استادیار، گروه علوم اقتصادی، دانشکده علوم انسانی، دانشگاه خاتم، تهران، ایران.

چکیده

هدف: هدف اصلی این پژوهش، بهینه‌سازی سبد سهام در سطح صنایع برای یک شرکت سرمایه‌گذاری در عمل با در نظر گرفتن برخی محدودیت‌ها (میزان نقدشوندگی هر صنعت در یک ماه، هزینه معاملات، ضریب گردش سبد و خطای تعقیب) است.
روش: ابتدا آزمون فرضیه پژوهش انجام شد. در مرحله اول، بهینه‌سازی بدون اعمال محدودیت‌ها و سپس بهینه‌سازی با اعمال همه محدودیت‌ها به‌جز خطای تعقیب و در مرحله سوم بهینه‌سازی با اعمال همه محدودیت‌ها اجرا شد.
یافته‌ها: آزمون فرضیه نشان داد که بهینه‌سازی سبد نسبت به ساخت سبد تصادفی، نسبت شارپ بالاتری را نتیجه می‌دهد و از نظر آماری معنادار است. یافته‌های مرحله اول نشان داد که این شرکت از مرز کارا فاصله دارد و برای هدف‌گذاری حداکثرسازی بازده، حداقل‌سازی ریسک و حداکثر‌سازی نسبت شارپ وزن‌های صنایع باید تغییر کند (پیشنهاد می‌شود که وزن صنعت قند‌و‌‌شکر و دارویی بیشتر از صنایع دیگر شود). یافته‌های مرحله دوم نشان داد که این شرکت باز هم از مرز کارا فاصله دارد و مرز کارا کوچک‎تر شده و به‌سمت پایین و راست انتقال یافته است (پیشنهاد می‌شود که وزن صنعت قند‌و‌شکر و دارویی بیشتر از صنایع دیگر شود). در نهایت، یافته‌های مرحله سوم نشان داد که این شرکت باز هم از مرز کارا فاصله دارد و مرز کارا به‌طور مجدد کوچک‎تر شده و به‌سمت پایین و راست انتقال یافته است (پیشنهاد می‌شود که وزن صنعت استخراج کانه‌های فلزی و شیمیایی بیشتر از صنایع دیگر شود).
نتیجه‌گیری: اعمال محدودیت‌های دنیای واقعی، نتایج متفاوتی را رقم می‌زند.

کلیدواژه‌ها


عنوان مقاله [English]

Stock Portfolios Optimization at the Industry Level Regarding Constraints in Practice: Liquidity, Transaction Cost, Turnover & Tracking-error

نویسندگان [English]

  • Hadis Hamidifard 1
  • Behnam Aminrostamkolaee 2
  • Hatra Voghouei 2
1 MSc., Department of Humanity Sciences, Faculty of Economics, Khatam University, Tehran, Iran.
2 Assistant Prof., Department of Humanity Sciences, Faculty of Economics, Khatam University, Tehran, Iran.
چکیده [English]

Objective: This study seeks to optimize stock portfolios at the industry level for an intended investment company by considering some limitations (the amount of liquidity of each industry in a month, transaction costs, portfolio turnover, and tracking error) in practice.
Methods: The research hypothesis was initially tested. In the first stage, the optimization was implemented without considering the restrictions. Then, the optimization was implemented by imposing all the constraints except the tracking error. In the third stage, the optimization was implemented by placing all the constraints.
Results: The obtained results proved portfolio optimization statistically significant and indicated that it had a higher Sharpe ratio than the construction of a random portfolio. The first step of this study showed that the intended company was far from the efficient frontier. Also, to maximize returns, minimize risks, and maximize the Sharpe ratio, the weights of the industries were needed to be changed (the weight of the sugar and pharmaceutical industries are recommended to be increased). The second phase approved that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the sugar and pharmaceutical industry are recommended to be increased more than the weight of others). The third step showed that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the metal and chemical industry are required to be higher than others).
Conclusion: Applying real-world constraints may end in different consequences.

کلیدواژه‌ها [English]

  • Portfolio optimization
  • Liquidity
  • Transaction costs
  • Portfolio turnover
  • Tracking error
اصغر‌پور، حسین؛ رضازاده، علی (1394). تعیین سبد بهینه سهام با استفاده از روش ارزش در معرض خطر. فصلنامه نظریه‌های کاربردی اقتصاد، 2(4)، 93-118.
اکبری، فاطمه؛ مهدوی، ایرج؛ آشنا، مینا (1391). ارایه یک مدل ترکیبی با استفاده از فرایند تحلیل شبکه ای فازی و دیمتل فازی برای انتخاب بهینه سبد سهام در بازار بورس ایران. همایش منطقه ای مباحث نوین در حسابداری.
بیات، علی؛ آبچر، بهجت (1394(. ارتباط بین الگوهای تصمیم‌گیری و انتظارات سرمایه‌گذاران از ریسک و بازده سرمایه‌گذاری در ابزارهای مالی بر اساس مدل مارکویتز، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 14(16)، 173- 190.
بیات، علی؛ شکری، علی (1394). فرایند انتخاب سبد بهینه به روش ارزش در معرض ریسک. همایش منطقه ای ایده‌های نوین در حسابداری و مدیریت مالی، گروه حسابداری، واحد زنجان، دانشگاه آزاد اسلامی، زنجان.
پارسائیان ناصر‌؛‌ شمس، ‌سمیرا (1391). مقایسه عملکرد ‌مدل‌ فاما‌ و ‌فرنچ‌ و‌ شبکه‎های ‌عصبی‌مصنوعی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، (11)، 103-118.
پارکر، جونز (1380). مدیریت سبد سهام (مدیریت سبد سرمایه‌گذاری) (چاپ اول). (محمد شاه علیزاده، مترجم). تهران: انتشارات جامعه دانشگاهی.
تقوی‌فرد، محمد تقی؛ منصور، طاها؛ خوش‌طینت، محسن (1386). ارائه یک الگوریتم فرا ‌ابتکاری جهت انتخاب سبد سهام با در نظر گرفتن محدودیت‌های عدد صحیح. فصلنامه پژوهش‌های اقتصادی، 7(4)، 49- 69.
تهرانی، رضا؛ فالح‌تفتی، سیما؛ آصفی، سپهر (1397). بهینه‌سازی سبد سهام به کمک الگوریتم فرا ابتکاری دسته‎های میگو با استفاده از معیارهای مختلف از ریسک در بورس اوراق بهادار تهران. تحقیقات مالی، 20(4)، 409- 426.
خنجرپناه، حسین؛ پیشوایی، میرسامان؛ جبارزاده، آرمین (1395). رویکرد فازی در بهینه‌سازی سبد سهام بورس اوراق بهادار با محدودیت‌های منعطف، مجله تحقیق در عملیات در کاربردهای آن، 13(4)، 39- 54.
رهنمای رود‌پشتی، فریدون؛ نیکو‌مرام،‎ هاشم؛ طلوعی‌ اشلقی، عباس؛ حسین‌زاده لطفی، فرهاد؛ بیات، مرضیه (1396). بررسی کارایی بهینه‌سازی سبد با استفاده از ماکزیمم نسبت شارپ پایدار در مقایسه با بهینه‌سازی مارکویتز، نشریه چشم انداز مدیریت، 7(2)، 125- 145.
سروش، ابوذر؛ عطرچی، رومینا؛ رامتین‌نیا، شاهین (1396). بهینه‌سازی سبد سهام با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO) در بورس اوراق بهادار تهران. تحقیقات مالی، 19 (2)، 263- 280.
شارپ، ویلیام‌ اف؛ الکساندر، گوردون؛ بیلی، ‌جفری‌ وی‌ (1389). مدیریت‌ سرمایه‌گذاری.‌ (مجید‌ جعفری‌ شریعت ‌پناهی و ‌ابوالفضل‌ جعفری، مترجمان)، تهران: اتحاد.
صادقی، حجت‌اله؛ دهقان، الهام (1395). کاربرد مدل مارکویتز در بهینه‌سازی سبد سهام. چهارمین کنفرانس ملی مدیریت، اقتصاد و حسابداری، تبریز.
طالب‌‌نیا، قدرت‌اله؛ ‌فتحی، مریم (‌‌1389). ارزیابی ‌مقایسه‌‌ای‌ انتخاب ‌سبد ‌بهینه ‌سهام ‌در ‌بورس ‌اوراق ‌بهادار ‌تهران ‌از‌ طریق‌ مدل‎های ‌مارکویتز ‌و ‌ارزش ‌در‌ معرض‌ خطر.‌ مطالعات‌ مالی، 3(6)، 71- 94.
علوی‌تبار، قاسم؛ باغبانی، مهدوی؛ گرگی‌زاده، مجید؛ بحرینی، وحید (1393). ارایه الگویی ترکیبی جهت انتخاب سبد سهام در بازار بورس اوراق بهادار تهران باستفاده از تکنیک تصمیم‌گیری چند معیاره. اولین همایش ملی حسابداری، حسابرسی و مدیریت.
کارگر، مرضیه (1390). توسعه و اصلاح مدل مارکوویتز برای تشکیل سبد بهینه بورس با توجه به معیار نقدشوندگی و حل آن با الگوریتم ژنتیک. پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه آزاد تهران مرکز.
موشخیان، سیامک؛ نجفی، امیرعباس (1394). بهینه‌سازی سبد سرمایه‌گذاری با استفاده از الگوریتم چندهدفه ازدحام ذرات برای مدل احتمالی چند دوره‌ای میانگین ـ نیم واریانس ـ چولگی، مجله مهندسی مالی و مدیریت اوراق بهادار، (23)، 133- 142.
میر‌عباسی، یاور؛ نیکو‌مرام،‎ هاشم؛ سعیدی، علی؛ حق‌شناس، فریده (1397). بررسی بهینه‌سازی سبد مبتنی بر ریسک نامطلوب و پتانسیل مطلوب و متغیرهای روانشناختی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 9(34)، 305- 333.
نجفی‌، امیر عباس؛ موشخیان‌ سیامک ‌(1393). مدل‌‎سازی ‌و ‌ارائه ‌راه ‌حل بهینه ‌برای ‌بهینه‌‌سازی‌ سبد‌ سرمایه‌گذاری‌ چند‌ دوره ‌ای ‌با‌ الگوریتم‌ ژنتیک. مجله‌ مهندسی ‌مالی ‌و ‌مدیریت‌ اوراق‌ بهادار، 5(21)، 13- 31.
نشاطی‌زاده، لعیا؛ حیدری، حسین (1397). بررسی معیار‌های نوسان پذیری و ریسک در مدل‌های بهینه‌سازی مقید با استفاده از الگوریتم رقابت استعماری. فصلنامه مدل‌سازی اقتصاد سنجی، (4)، 11- 35.
 
References
Akbari, F., Mahdavi, I., Ashna, M. (2012). Presenting a hybrid model using fuzzy network analysis process and fuzzy dimtel for optimal stock portfolio selection in the Iranian stock market. Regional Conference on New Topics in Accounting. (in Persian)
Alavi, Q., Baghbani, M., Gorgizadeh, M., Bahraini, V. (2014). Presenting a hybrid model for selecting a portfolio in the Tehran Stock Exchange using the multi-criteria decision-making technique. First National Conference on Accounting, Auditing and Management. (in Persian)
Asgharpor. H., Rezazade.A (2016). Determining the stock optimal portfolio using value at risk. Applied Theories of Economics, 3(4), 93-118. (in Persian)
Bayat, A., Abcher, B. (2015). The relationship between decision-making model and investors' expectations of risk and return on investment in financial instruments: The Markowitz model, Quarterly Journal of Investment Knowledge, 4(16), 173 – 190. (in Persian)
Bayat, A., Shokri, A. (2015). The process of selecting the optimal portfolio by the method of value at risk, Regional Conference on New Ideas in Accounting and Financial Management, Department of Accounting, Zanjan Branch, Islamic Azad University, Zanjan. (in Persian)
Bertrand, P. (2010). Another look at portfolio optimization under tracking error constraints, Financial Analysts Journal, 66, 3.
Charnes, A., Cooper, W. W. (1959). Chance-constrained programming. Management Science, 6(1):73-79.
Erica, E., Handari, B. & Hertono, C. (2018). Agglomerative clustering and genetic algorithm in portfolio optimization. AIP Conference Proceedings, 2023, 02017, https://doi.org/10.1063/1.506421.
Feiring, B. R., Lee, S. W. (1996). A chance-constrained approach to stock selection in Hong Kong. International Journal of Systems Science, 27(1), 33-41.
Grinold, R. C. and Kahn, R. N. (2000). Active portfolio management (2nd edition), McGraw-Hill.
Hu, J-L., Change, T –P., Chou, R. (2014). Market conditions and the effect of diversification on mutual fund performance: should fund be more concentrative under crisis? Journal of Productivity Analysis, 41(1), 141-151.                                                    
Huang, X. (2008). Risk curve and fuzzy portfolio selection. Computers & Mathematics with Applications, 55(6), 1102-1112.
Kandasamy, H. (2008). Portfolio selection under unequal prioritized downside risk. Advisor: Kostreva, Michael M., the Degree Doctor of Philosophy Mathematical Sciences, Department of Mathematical Science, Clemson University.
Kang, T., B. Wade B., and Brian D. A., (1996). A new efficiency criterion: The mean-separated target deviations risk model. Journal of Economics and Business, 48:47–66.
Kargar, M. (2011). Development and modification of Markowitz model to form an optimal portfolio according to the criterion of liquidity and its solution with genetic algorithm. Master Thesis. Faculty of Management, Azad University of Tehran, Markaz. (in Persian)
Khanjarpanah H., Pishvaee M. S., Jabbarzadeh A. (2017). Optimizing a flexible constrained portfolio in Stock Exchange with fuzzy programming, Journal of Operational Research and Its Applications, 13 (4), 39-54. (in Persian)
Kumar, C., Najmud, D. M. (2018). A novel framework for portfolio selection model using modified ANFIS and fuzzy sets. Journal of Computers, 185 (3), 453-485.
Liu, Y. J., Zhang, W. G., Zhang, Q. (2016). Credibilistic multi-period portfolio optimization model with bankruptcy control and affine recourse. Applied Soft Computing, 38: 890-906.
Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77-91.
Markowitz, H. (1959). Efficient Diversification of Investment. John Wiley and sons, 12, 26-31.
Markowitz, H. (1991). Foundations of portfolio theory. Journal of Finance, 46(2):469-477.
Markowitz, H. M. (2000). Mean-variance analysis in portfolio choice and capital markets, Wiley.
Mir Abbasi, Y., Niko M., Saeedi, H., Haghshenas Farideh, A. (2018). Study of portfolio optimization based on downside risk, upside potential and behavioral variables efficiency, Quarterly Journal of Financial Engineering and Securities Management, 9(34), 305- 333. (in Persian)
Mushkhian, S., Najafi, A. A. (2015). Investment portfolio optimization using multipurpose particle swarm algorithm for a possible multi-period mean-half-variance-skew model, Journal of Financial Engineering and Securities Management, (23), 133- 142.
 (in Persian)
Najafi, A. A., Mushkhaneh‌, S.‌ (2014). Modeling and presenting the optimal solution for optimizing the investment portfolio for several periods with genetic algorithm. Journal of Financial Engineering and Securities Management, 5(21), 13- 33. (in Persian)
Neshatizadeh, L., Heidari, H. (2015). Studying of volatility and risk in portfolio-optimization model using of imperialist competitive algorithm, Journsl of Econometric Modeling, (4), 11- 35. (in Persian)
Olsson, R. (2005). Portfolio management under transaction costs: Model development and Swedish evidence. Master of Science, Umeå Studies in Business Administration No. 56 Umeå School of Business Umeå University.
Papahristodoulou, C., Dotzauer, E. (2004). Optimal portfolios using linear programming problems. Journal of the Operations Research Society, 55(11):1169- 1177.
Parker, J. (2001). Portfolio management (investment management). (Mohammad Shah Alizadeh, Trans.) (first edition), University Society Publications, Tehran. (in Persian)
Parsaiyan, N., Shams, S. (2012). Comparison of the performance of the Fama model and the French and artificial neural networks. Quarterly Journal of Financial Engineering and Securities Management, (11), 103-118. (in Persian)
Rahnamay Rood Poshti, F., Niko Maram, H., Toloui Ashlaghi, A., Hosseinzadeh Lotfi, F., Bayat, M. (2017). Evaluation of portfolio optimization efficiency using maximum stable Sharp ratio in comparison with Markowitz optimization. Journal of Management Perespective, 7(2), 125- 145. (in Persian)
Sadeghi, H., Dehghan, E. (2016). Application of Markowitz model in portfolio optimization, Fourth National Conference on Management, Economics and Accounting, Tabriz.
(in Persian)
Sharp, W. F., Alexander, G. J., Bailey, J. W. (2010). Investment management (Majid, Shariat ‌Panahi ‌and Abolfazl Jafari,‌ Trans.) Tehran, Etihad. (in Persian)
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance, 19(3), 425–442.
Silva, A., Neves, R., Horta, N. (2015). A hybrid approach to portfolio composition based on fundamental and technical indicators. Expert Systems with Applications, 42(4), 2036- 2048.
Soroosh, A., Atarchi, R., Ramtinnia, S. (2017). Portfolio optimization using teaching-learning based optimization algorithm (TLBO) in Tehran Stock Exchange. Journal of Financial Research, 19 (2), 263- 280. (in Persian)
Sortino, F., Meer R. V. d., Plantinga, A. (1999). The Dutch Triangle. Journal of Portfolio Management, 26(1), 50-58.
Speranza, M. G. (1995). A heuristics algorithm for a portfolio optimization model applied to the Milan stock market, Computer and Ops Res, 5, 433-441. (in Persian)
Taghavi Fard, M. T., Mansour, T., Khoshtinat, M. (2007). Presenting a metaheuristic algorithm for stock portfolio selection considering integer constraints. Quarterly Journal of Economic Research, 7(4), 49-69. (in Persian)
Talebania, Q., ‌Fathi, M. (2010). Comparison evaluation of selecting an optimal portfolio ‌in Tehran Stock Exchange by Markowitz model and Value at Risk, Financial Studies, 3(6), 71-94. (in Persian)
Tang, W., Han, Q., Li, G. (2001). The portfolio selection problems with chanceconstrained. Systems, Man, and Cybernetics IEEE International Conference, 4, 2674-2679.
Tehrani, R., Faleh Tafti, S., Asefi, S. (2018). Portfolio optimization krill herd metaheuristic algorithm considering different measures of risk in Tehran Stock Exchange, Financial Research Journal, 20 (4), 409-426. (in Persian)