سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,572
تعداد مقالات71,020
تعداد مشاهده مقاله125,496,029
تعداد دریافت فایل اصل مقاله98,757,995
مجتهدی, فاطمه, مجاوریان, سید مجتبی, حسینی یکانی, سید علی. (1401). کاربرد برنامه‌ریزی آرمانی چندجمله‌ای در تعیین پرتفوی بهینه سهام شرکت‌های صنایع‌غذایی. , 53(1), 265-276. doi: 10.22059/ijaedr.2020.293658.668847
فاطمه مجتهدی; سید مجتبی مجاوریان; سید علی حسینی یکانی. "کاربرد برنامه‌ریزی آرمانی چندجمله‌ای در تعیین پرتفوی بهینه سهام شرکت‌های صنایع‌غذایی". , 53, 1, 1401, 265-276. doi: 10.22059/ijaedr.2020.293658.668847
مجتهدی, فاطمه, مجاوریان, سید مجتبی, حسینی یکانی, سید علی. (1401). 'کاربرد برنامه‌ریزی آرمانی چندجمله‌ای در تعیین پرتفوی بهینه سهام شرکت‌های صنایع‌غذایی', , 53(1), pp. 265-276. doi: 10.22059/ijaedr.2020.293658.668847
مجتهدی, فاطمه, مجاوریان, سید مجتبی, حسینی یکانی, سید علی. کاربرد برنامه‌ریزی آرمانی چندجمله‌ای در تعیین پرتفوی بهینه سهام شرکت‌های صنایع‌غذایی. , 1401; 53(1): 265-276. doi: 10.22059/ijaedr.2020.293658.668847

کاربرد برنامه‌ریزی آرمانی چندجمله‌ای در تعیین پرتفوی بهینه سهام شرکت‌های صنایع‌غذایی

تحقیقات اقتصاد و توسعه کشاورزی ایران
مقاله 16، دوره 53، شماره 1، فروردین 1401، صفحه 265-276    اصل مقاله (638.6 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijaedr.2020.293658.668847
نویسندگان
فاطمه مجتهدی1؛ سید مجتبی مجاوریان* 2؛ سید علی حسینی یکانی2
1دانشجوی دکتری اقتصاد کشاورزی، گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2دانشیار اقتصاد کشاورزی، گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده
در این مطالعه، رویکردی از برنامه‌ریزی آرمانی چندجمله‌ای که بر­مبنای مدل میانگین- واریانس- چولگی- کشیدگی است؛ برای انتخاب پرتفوی بهینه بر اساس ساختار ترجیحاتی مختلف سرمایه‌گذاران استفاده شده ‌است. سپس، ریسک سیستماتیک به­دلیل اهمیتی که در تصمیم‌گیری‌ها دارد به­عنوان محدودیت در مدل وارد شد. معیار اندازه‌گیری ریسک سیستماتیک، معیار همبستگی نامطلوب حدی درنظر گرفته شده ‌است. داده‌های مورد استفاده شامل قیمت روزانه سهام شرکت‌های منتخب صنایع غذایی و شاخص بازار برای سال‌های 1398-1394 می‌باشند. نتایج مطالعه نشان داد ترجیحات سرمایه‌گذار بر انتخاب پرتفوی و تخصیص سرمایه اثرگذار است و لذا، افراد می‌توانند بر اساس ترجیحات خود پرتفوی مورد­نظر را انتخاب نمایند. پس از درنظر گرفتن محدودیت ریسک، انتخاب پرتفوی به سمت سهام شرکت‌هایی خواهد رفت که از نوسانات بازار اثرپذیری کمتری دارند. با توجه به نتایج، پیشنهاد می‌شود در مطالعات آتی مدل بر­اساس سایر محدودیت‌های موجود از جمله درجه ریسک‌گریزی متفاوت افراد در تصمیم‌گیری‌ها توسعه داده شود و یا کارایی آن بر­اساس منطق فازی مورد بررسی قرار گیرد. همچنین، نتایج حاصل از هر یک از برآوردها می‌تواند به عنوان یک الگوی سرمایه‌گذاری برای افراد درنظر گرفته شود.
کلیدواژه‌ها
ریسک سیستماتیک؛ معیار ریسک نامطلوب حدی؛ گشتاورهای مرتبه بالا؛ بورس اوراق بهادار
عنوان مقاله [English]
Application of Polynomial Goal Programming in Optimal Portfolio Determination of Food Industry Stocks
نویسندگان [English]
Fatemeh Mojtahedi1؛ Seyed Mojtaba Mojaverian2؛ Seyed-Ali Hosseini-Yekani2
1PhD student of Agricultural Economics, Agricultural Economics Department, Faculty of Agricultural Engineering, Sari Agricultural Sciences and Natural Resources University, Sari. Iran
2Associate Professor, Department of Agricultural Economic/ Sari Agricultural Science and Natural Resources University
چکیده [English]
In this study, a polynomial goal programming approach based on the mean-variance-skewness-kurtosis model is used to select the optimal portfolio based on different investor preferences structure. Then systematic risk is considered as a constraint in the model because of its importance in decision making. Extreme Downside Hedge is considered as the measurement of systematic risk. The data used in this study include daily stock price of selected food industry companies and market index for 2015-2019. The results showed that investor preferences influence portfolio selection and allocation of capital, so individuals can choose their portfolio based on their preferences. The risk entry into the model also indicated that given this limitation, portfolio selection would shift to the stocks of companies that are less affected by market volatility. Based on results, it is suggested that in future studies the model be developed based on other limitations such as different degree of risk aversion in decision making. The model can also be designed based on fuzzy logic and its performance be investigated under such conditions. Also, results of each estimation can be considered as an investment patern for individuals.
کلیدواژه‌ها [English]
Systematic Risk, Extreme Downside Hedge, Higher-order moments, Stock Exchange
مراجع
  1. Aghamiri. S. M. (2015). Impact of uncertainty of real and monetary indices on stock returns. MSc Thesis, Azad University of Tehran, Iran. (In Farsi)
  2. Aksarayl, M., & Pala, O. (2018). A polynomial goal programming model for portfolio optimization based on entropy and higher moments. Journal of Expert Systems with Applications, 94, 185-192.
  3. Ansari, V., Salami H., & Motaghi jazi A. (2018). Investigating the effect of changes in the production of agricultural raw materials on the production of processed food products (An Input-Output Analysis). Iranian Journal of Agricultural Economics and Development Research, 49(3), 381-395. (In Farsi)
  4. Aracioglu, B., Demircan, F., & Soyuer, H. (2011). Mean–Variance–Skewness–Kurtosis Approach to Portfolio Optimization: An Application in Istanbul Stock Exchange. Journal of Ege Academic, 11(5), 9-17.
  5. Beltramea, F., Previtalib D., & Alex, Sclipa. (2018). Systematic risk and banks leverage: The role of asset quality. Journal of Finance Research Letters, 27, 113-117.
  6. Briec, W., Kerstens, K., & Jokung, O. (2007). Mean-Variance Skewness Portfolio Performance Gauging: A General Shortage Function and Dual Approach. Journal of Management Science, 53(1), 135–149.
  7. Chunhachinda, P., Dandapani, K., Hamid, S., & Prakash, A.J. (1997). Portfolio Selection and Skewness: Evidence from International Stock Markets. Journal of Banking & Finance, 21, 143–167.
  8. Claußen, A., Lohr S., Rosch D. & Scheulec H. (2017). Valuation of systematic risk in the cross-section of credit default swap spreads. Journal of the Quarterly Review of Economics and Finance, 64:183-195.   
  9. Farahakhsh, N,. & Norouzi, B. (2001). Analysis of Manufacturing and Export Capabilities of Iranian Food Industries. Trade Studies, 5(19),175-195. (In Farsi)
  10. Hajiha, Z., & Safari, F. (2018). The Examination of Relationship between Stock Systematic Risk and Skewness of Returns. Journal of Asset Management and Financing, 6(20), 1-10.
  11. Harris, R.D.F., Linh, H.N., & Evarist, S. (2019). Systematic Extreme Downside Risk. Journal of International Financial Markets Institutions and Money, 61, 128-142.
  12. Harvey, C. R., Liechty, J.C., Liechty, M.W., & Mueller P. (2010). Portfolio Selection with Higher Moments. Journal of Quantitative Finance, 10(5), 469- 485.
  13. Hatamifard, S. (2012). Factors Affecting the Low Performance of Food Processing and Complementary Industries: a Case Study, Zanjan Province. Iranian Journal of Agricultural economics and development research, 42-2(3), 413-421. (In Farsi)
  14. Hosseini Kasgari, S.H., Hosseini Yekani, S.A., & Abedi, S. (2018). Optimal Portfolio Selection of Shares of Food Industry Companies in Tehran Stock Exchange Using Combined Forecasting Method: An Application of Mean-Variance-Skewness Model. Journal of Agricultural Economics, 4(11), 81-105. (In Farsi)
  15. Huh, J. (2019). Measuring systematic risk with neural network factor model. Physica A: Statistical Mechanics and its Applications. In Press. doi.org/10.48550/arXiv.1809.04925
  16.  
  17. Jana, P., Roy, T.K. & Mazumder, S.K. (2007). Multi- Objective Mean–Variance–Skewness Model for Portfolio Optimization. Journal of Advanced Modelling and Optimization, 9(1), 181–193.
  18. Jondeau, E., & Rockinger M. (2006). Optimal Portfolio Allocation under Higher Moments. Journal of European Financial Management, 12(1), 29–55.
  19. Konno, H., Shirakawa, H., & Yamazaki, H. (1993). A Mean-Absolute Deviation-Skewness Portfolio Optimization Model. Journal Annals of Operations Research, 45(1), 205-220.
  20. Lai, K. K., Yu, L., & Wang, Sh. (2006). Mean– Variance–Skewness–Kurtosis–Based Portfolio Optimization. Proceedings of First International Multi- Symposiums on Computer and Computational Sciences, 1–6. June 2006.
  21. Lai, T. Y. (1991). Portfolio Selection with Skewness: A Multiple - Objective Approach. Review of Quantitative Finance and Accounting, 1(3), 293–305.
  22. Landsman, Z., Udi, M., & Shushi, T. (2020). Analytic solution to the portfolio optimization problem in a mean variance-skewness model. The European Journal of Finance, 26(2-3), 165-178.
  23. Li, Q., Bia, Y., Yun, X., & Zhang, W. (2018). Portfolio selection with the effect of systematic risk diversification: formulation and accelerated gradient algorithm. Journal of Optimization Methods and Software, 34, 612-633.
  24. Liu, S., Wang, S.Y., & Qiu, W. (2003). Mean–Variance–Skewness Model for Portfolio Selection with Transaction Costs. International Journal of Systems Science, 34(4), 255–262.
  25. Maringer, D., & Parpas P. (2009). Global optimization of Higher Order Moments in Portfolio Selection. Journal of Global Optimization, 43, 219–230.
  26. Metaxiotis, K. (2019). A Mean–Variance–Skewness Portfolio Optimization Model. International Journal of Computer and Information Engineering, 13(2), 85- 88.
  27. Muijssona, C., & Satchellbc S. (2019). The role of bank funding in systematic risk transmission. Journal of Finance Research Letters, In Press. doi:10.1016/j.frl.2019.06.020
  28. Nabizadeh, A., & Behzadi, A. (2018). Higher Moments Portfolio Optimization Considering Entropy based on Polynomial Idealistic Programming. Journal of Financial Research, 20(2), 193-210. (In Farsi)
  29. Nejatipour, A., & Esmaili, A. (2015). Identify the factors affecting export of food industry products in Khorasan Razavi provience: Fuzzy Delphi approach. Iranian Journal of Agricultural Economics and Development Research, 46(3), 457- 468. (In Farsi)
  30. Prakash, A. J., Chang, C.H., & Pactwa, T.E. (2003). Selecting a Portfolio with Skewness: Recent Evidence from US, European, and Latin America Equity Markets. Journal of Banking and Finance, 27, 1375–1390.
  31. Rastgoo, R., & Panahian, H. (2018). Designing and Explaining the Systematic Risk Estimation Model using metaheuristic Method in Tehran Stock Exchange: Adaptive Approach to the Model of Econometrics and Artificial Intelligence. Journal of Financial Engineering and Securities Management, 9, 19-49.
  32. Ray, A., & Majumder, S. K. (2018). Multi objective mean–variance–skewness model with Burg’s entropy and fuzzy return for portfolio optimization. Journal of Opsearch, 55(1), 107–133.
  33. Rostami, M. R., Kalantari Bonjar, M., & Behzadi, A. (2015). Higher Moment Portfolio Optimization under Fuzzy Environment. Journal of Financial Engineering and Securities Management, 6(24), 41-61. (In Farsi)
  34. Shahrabadi, A. (2018).
  35. Sun, Q., & Yan, Y., (2003). Skewness Persistence with Optimal Portfolio Selection. Journal of Banking and Finance, 27(6), 1111–1121.
  36. Taylan, A. S., & Tatlıdil, H. (2010). Portfolio Optimization with Shortage Function and Higher Order Moments: An Application in ISE-30. International Conference, June 23–26, Izmir.
  37. Yousefi Shali, S. (2008). The Relationship between Stock Returns and Systematic Risk in Different Index Situations. MSc Thesis, Allameh Tabatabaei University. Iran. (In Farsi)
آمار
تعداد مشاهده مقاله: 552
تعداد دریافت فایل اصل مقاله: 262





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب