بهینه‌سازی نسبت بازده به ریسک امگای پرتفولیو با حضور پروژه‌ها: رویکردی مبتنی بر شبیه‌سازی - بهینه‌سازی | ||
| تحقیقات مالی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 08 تیر 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2026.390152.1007713 | ||
| نویسندگان | ||
| امیرحسین خیاطیان؛ مجید شخصی نیائی* | ||
| گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران | ||
| چکیده | ||
| هدف: ایجاد تنوع و چینش بهینة دارایی‌ها در پرتفولیو، همواره یکی از تصمیمات پیچیده بوده است که در این پژوهش، پروژه‌ها نیز به عنوان کلاس جدید دارایی در حوزة سرمایه‌گذاری در کنار انواع دارایی‌های ریسکی مانند سهام و صندوق‌های قابل معامله در بازار سرمایه، در پرتفولیو گنجانده می‌شوند. سپس به کمک مدلی ریاضی بر پایة تئوری فرامدرن پرتفولیو، ترکیب بهینه‌ای از تمام دارایی‌ها در پرتفولیو تعیین می‌شود. روش: مدل ریاضی مسئله، مدلی بر پایة نسبت امگاست که به‌منظور تطابق بیشتر با دنیای واقعی، انواع محدودیت‌های حدی، کاردینالیتی و منطقی نیز در آن لحاظ شده است. مدل مورد اشاره به‌صورت تک‌دوره‌ای در فضای احتمالی مورد بررسی قرار می‌گیرد و از نسبت امگا به عنوان تابع هدف مسئله استفاده می‌شود که بیشینه‌سازی آن صرفاً با به‌کارگیری رویکردهای تکرار شونده امکان‌پذیر است؛ از همین‌رو، حل مسئله از طریق تعامل شبیه‌سازی مونت‌کارلو با یک الگوریتم فراابتکاری صورت می‌گیرد. روش حل مسئله بدین صورت است که توابع توزیع احتمالی استخراج شده از طریق مصاحبه با خبرگان (برای پروژه‌ها) و داده‌های تاریخی (برای انواع دارایی‌های قابل معامله در بازار سرمایه) به عنوان ورودی به شبیه‌سازی مونت‌کارلو وارد شده و در 5000 سناریو، نرخ بازده مورد انتظار هر دارایی تولید می‌گردد. در ادامه، نرخ‌های به‌دست آمده با اوزان پیشنهاد شدة الگوریتم فراابتکاری برای هر دارایی، ترکیب شده و نسبت امگا به عنوان پاسخ نهایی به الگوریتم فراابتکاری گزارش می‌شود. این الگوریتم بر اساس پاسخ دریافت شده و ساختار از پیش تعریف شدة خود، اوزان دارایی‌ها را به شکلی تغییر می‌دهد تا نسبت امگا را به بیشترین مقدار ممکن نزدیک کند. این فرایند تا دستیابی الگوریتم به تعداد مشخصی از تکرار، ادامه خواهد یافت. در این پژوهش، از الگوریتم شکارچیان دریایی به عنوان یکی از الگوریتم فراابتکاری استفاده می‌شود و به منظور بهینه‌سازی عملکرد آن، پارامترهای آن با تکنیک طراحی آزمایش‌های تاگوچی انتخاب خواهند شد. یافته‌ها: خطای بسیار کوچک الگوریتم شکارچیان دریایی در آزمایش محک روی شاخص اس‌اندپی 100 در مقایسه با سایر الگوریتم‌های فراابتکاری نظیر ژنتیک، جستجوی ممنوعه، شبیه‌سازی تبرید، بهینه‌سازی ازدحام ذرات، یادگیری افزایشی مبتنی بر جمعیت، ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکاملی تفاضلی و الگوریتم بهینه‌سازی ازدحام ذرات چند هدفه با رتبه‌بندی تطبیقی از اعتبار مناسب و عملکرد کارای این الگوریتم در حوزة بهینه‌سازی پرتفولیو حکایت دارد. در مثال عددی، این الگوریتم به راحتی توانست توابع جریمة مسئله را حذف نموده و به نحو مطلوب با شبیه‌سازی مونت‌کارلو، کلاس جدیدی از دارایی‌ها (پروژه‌ها) و محدودیت‌های دنیای واقعی، تعامل کند. نتیجه‌گیری: ایجاد تنوع و افزودن کلاس جدید از دارایی‌ها به پرتفولیو علاوه‌بر آن‌که سبب کاهش ریسک می‌شود؛ امکان استفاده از انواع فرصت‌ها در حوزه‌های دیگر سرمایه‌گذاری را نیز فراهم می‌سازد. این پژوهش می‌تواند برای فعالان بازار سرمایه و سازمان‌های فعال در حوزة پروژه که احساس نیاز به سرمایه‌گذاری در حوزة بازار سرمایه می‌کنند، مفید و کاربردی باشد. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی؛ پرتفولیو؛ پروژه؛ شبیه‌سازی؛ نسبت امگا | ||
|
آمار تعداد مشاهده مقاله: 319 |
||