بهینه‌سازی سبد سهام استوار با به‌کارگیری مدل‌های چند متغیره و امگا- ارزش در معرض ریسک شرطی بر پایه ملاک حداقل حداکثر پشیمانی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.

2 دانشجوی دکتری، گروه مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.

چکیده

هدف: سرمایه‌گذاران و نهادهای مالی، تمایل دارند که در انتخاب سرمایه‌گذاری، از آینده و همچنین، نحوه عملکرد خود اطمینان نسبی داشته باشند؛ به ‌نحوی‌ که در موقعیت‌های عدم قطعیت (رونق و رکود بازارها) عملکردهای مناسبی انجام دهند. این پژوهش به‌دنبال یافتن سبد سهام بهینه ـ استواری است که در شرایط مختلف بازار، بهترین عملکرد را داشته باشد و پشیمانی سرمایه‌گذار از انتخاب سبد سهام را به حداقل رساند.
روش: به‌منظور به‌دست‌آوردن سبد سهام بهینه، از سناریوبندی وضعیت‌های مختلف بازار، بر اساس بازده روزانه شاخص کل بورس اوراق بهادار تهران و به‌کارگیری الگوریتم بهینه‌سازی توده ذرات و ملاک حداقل حداکثر پشیمانی استفاده شده است. همچنین در این پژوهش، توابع هدف چندمتغیره و امگا ـ ارزش در معرض ریسک شرطی، به‌عنوان توابع برازش در بهینه‌سازی توده ذرات به‌کار گرفته شده است. از داده‌های 50 شرکت بورسی، طی سال‌های 1388 تا 1395، برای محاسبه سبد‌های سهام بهینه و داده‌های سال 1396 به‌عنوان خارج از نمونه، برای آزمون سبد‌های سهام به‌دست‌‌آمده استفاده شده است.
یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که در بازه ماهانه، سبد‌های سهام بهینه استوار در مقایسه با سبد سهام معیار، نسبت اطلاعاتی بیشتر و خطای ردیابی کمتری دارند.
نتیجه‌گیری: سناریوبندی بازار و به‌کارگیری ملاک حداقل حداکثر پشیمانی، عملکرد سبد‌های سهام بهینه استوار را بهبود می‌دهد. همچنین، نتیجه مقایسه مدل معیار میانگین نیم‌واریانس با تابع چندمتغیره و ضریب امگا ـ ارزش در معرض ریسک شرطی برای بهینه‌سازی سبد سهام، نشان داد که تابع چندمتغیره و ضریب امگا ـ ارزش در معرض ریسک شرطی به بهبود بیشتری در عملکرد سبد‌های سهام استوار منجر می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Robust Portfolio Optimization by Applying Multi-objective and Omega-conditional Value at Risk Models Based on the Mini-max Regret Criterion

نویسندگان [English]

  • Saeed Shirkavand 1
  • Hamidreza Fadaei 2
1 Assistant Prof., Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran.
2 Ph.D. Candidate, Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran.
چکیده [English]

Objective: To produce a proper reaction when confronted with market uncertainties (booms and busts), before making any investment decisions, investors and financial institutions tend to obtain some level of assurance about the market’s future and also the market’s probable feedback on their performance in the future. This study seeks to identify optimized robust portfolios with the best performance in the face of market uncertainties than can minimize the investors’ regret about their portfolio selection.
Methods: To create optimal portfolios, in the study, scenarios pertaining to various market situations based on daily returns of the Tehran Stock Exchange Price Index (TEDPIX) were designed, and the particle swarm optimization algorithm and minimax regret criterion were applied. This study also explored the application of multivariate objective functions and the Omega Conditional Value at Risk ratio as the fitting functions in particle mass optimization. To calculate optimal portfolios, the data from 50 companies on Tehran Stock Exchange (TSE) from 2009 to 2016 were analyzed. Also, the data from the year 2017 were evaluated as out of sample data.
Results: Research findings indicated optimized robust portfolios in monthly periods had higher information ratios and lower tracking errors than the benchmark portfolios.
Conclusion: Making market scenarios and applying the minimax regret criterion improves the performance of optimized robust portfolios. Additionally, compared with the semi-variance benchmark model, applying the multi-objective function and Omega-Conditional Value at Risk ratio in portfolio optimization leads to improve performance of the robust portfolios.

کلیدواژه‌ها [English]

  • Robust Portfolio
  • Minimax Regret
  • Multi-objective Optimization
  • Omega ratio
  • Conditional value at risk

مراجع

ابریشمی، آذین؛ یوسفی زنور، رضا (1393). انتخاب سبد سهام با استفاده از بهینه­سازی استوار. تحقیقات مالی، 16(2)، 201-218.
بحری ثالث، جمال؛ پاک­مرام، عسگر؛ ولی­زاده، مصطفی (1397). انتخاب و بهینه­سازی سبد سهام با استفاده از روش میانگین واریانس مارکویتز با بهره­گیری از الگوریتم­های مختلف. دانش مالی تحلیل اوراق بهادار، 11(37)، 43-53.
جمشیدی عینی، عصمت؛ خالوزاده، حمید (1395). بررسی روش‌های هوشمند در حل مسئله سبد سهام مقید در بازار سهام تهران. دانش مالی تحلیل اوراق بهادار، 9(29)، 85-96.
فلاح­پور، سعید؛ تندنویس، فرید (1393). کاربرد مدل پایدار در انتخاب پرتفوی بهینه سهام. فصلنامه دانش سرمایه گذاری، 10(3)، 67-81.
فلاح­پور، سعید؛ تندنویس، فرید (1394). کاربرد رویکرد بهینه­سازی استوار در تشکیل پرتفوی سهام مبتنی بر شاخص با درنظرگرفتن عدم قطعیت پارامترها. تحقیقات مالی، 17(2)، 325-340.
 
References
Abrishami, A. & Yousefi, R. (2014). Portfolio selection by robust optimization. Financial Research Journal, 16(2), 201-218. (in Persian)
Bahri, J., Pakmaram, A. & Valizadeh, M. (2018). Selection and portfolio optimization by mean–variance markowitz model and using the different algorithms. Financial Knowledge of Securities Analysis, 11(37), 43-53. (in Persian)
Bertsimas, D., Brown, D. & Caramanis, C. (2011). Theory and applications of robust optimization. SIAM Review, 53(3), 464-501.
Bertsimas, D. & Pachamanova, D. (2008). Robust multiperiod portfolio management in the presence of transaction costs. Computers & Operations Research, 35, 3–17.
Bianchi, L., Dorigo, M., Gambardella, L.M. & Gutjahr, W.J. (2009). A survey on metaheuristics for stochastic combinatorial optimization. Natural Computing, 8(2), 239–287.
Blum, C. & Roli, A. (2003). Metaheuristics in combinatorial optimization: overview and conceptual comparison. ACM Computing Surveys, 35(3), 268-308.
Clerc, M. & Kennedy, J. (2002). The particle swarm – explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 6(1), 58 – 73.
Conde, E. & Leal, M. (2017). Minmax regret combinatorial optimization problems with investments. Computers and Operations Research, 85, 1-11.
Dupacova, J. & Kopa, M. (2014). Robustness of optimal portfolios under risk and stochastic dominance constraints. European Journal of Operational Research, 234, 434–441.
Eberhart, R.C. & Shi, Y. (2001). Particle swarm optimization: developments, applications and resources. Proceedings of the 2001 Congress on Evolutionary Computation (IEEE Cat. No.01TH8546), Seoul, South Korea, 1, 81-86.
Fallahpour, S., & Tondnevis, F. (2014). Robust model for optimal portfolio selection. Journal of Investment Knowledge, 3, 67-84. (in Persian)
Fallahpour, S., & Tondnevis, F. (2016). Application of an optimization model for constructing an index tracker portfolio and considering the uncertainty of model parameters by using of robust optimization approach. Financial Research Journal, 17(2), 325-340.
(in Persian)
Fliege, J. & Werner, R. (2014). Robust multiobjective optimization and applications in portfolio optimization. European Journal of Operations Research, 234, 422-433.
Hu, X. & Eberhart, R. (2002). Multiobjective optimization using dynamic neighborhood particle swarm optimization. Proceedings of the 2002 Congress on Evolutionary Computatio, CEC'02, Honolulu, HI, USA,2 , 1677-1681.
Huo, L., Kim, T.-H. & Kim, Y. (2012). Robust estimation of covariance and its application to portfolio optimization. Finance Research Letters, 9, 121–134.
Jamshidi Eyni, E., & Khaloozadeh, H. (2016). Using intelligent methods in solving constrained portfolio in Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 9(29), 85-96. (in Persian)
Keating, c. & Shadwick, W. F. (2002). A Universal Performance Measure. Journal of Performance Measurement, 6, 1-42.
Kennedy, J. & Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks, 1942–1948.
Kim, J. H., Kim, W. C. & Fabozzi, F. J. (2015). Recent developments in robust portfolios with a worst-case approach. Journal of Optimization Theory and Applications, 161, 103-121.
Kim, W. C., Kim, J. H., Mulvey, J. M. & Fabozzi, F. J. (2015). Focusing on the worst state for robust investing. International Review of Financial Analysis, 39, 19-31.
Kouvelis, P. & Yu, G. (1997). Robust discrete optimization and Its applications. Springer Science Business Media, Boston, US.
Mulvey, J. M., Vanderbei, R. J. & Zenios, S. A. (1995). Robust optimization of large-scale systems. Operations Research, 43, 264–281.
McNeil, A. J., Frey, R. & Embrechts, P. (2005). Quantitative risk management. NorthAmerican Actuarial Journal, 10(2), 154.
Parsopoulos, K. & Vrahatis, M. (2002). Particle swarm optimization method in multiobjective problems. Proceedings of the ACM Symposium on Applied Computing (SAC 2002), 603–607.
Sharma, A., Utz, S. & Mehra, A. (2017). Omega-CVaR portfolio optimization and its worst case analysis. OR Spectrum, 39(2), 505–539.
Shi , Y. & Eberhart, R. C. (1998). A modified particle swarm optimizer. Proceedings of IEEE International Conference on Evolutionary Computation, 69–73.
Tütüncü, R. & Koenig, M. (2004). Robust asset allocation. Annuals of Operations Research, 132, 157–187.
Xidonas, P., Mavrotas, G., Hassapis, C. & Zopounidis, C. (2017). Robust multiobjective portfolio optimization: A minimax regret approach. European Journal of Operational Research, 262(1), 299-305.
Yoshida, H., Kawata, K. & Fukuyama, Y. (2001). A particle swarm optimisation for reactive power and voltage control considering voltage security assessment. IEEE Transaction on Power Systems, 15(4), 1232-1239.
تحقیقات مالی
دوره 24، شماره 1
1401
صفحه 1-17

فایل ها

هم رسانی

ارجاع به این مقاله

آمار