پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,870 |
| تعداد مشاهده مقاله | 115,418,853 |
| تعداد دریافت فایل اصل مقاله | 90,188,530 |
بهینه‌سازی استوار پرتفوی تحت معیار ارزش در معرض ریسک شرطی ـ فاصله‌ای (ICVaR) در بورس تهران | ||
| تحقیقات مالی | ||
| دوره 25، شماره 3، 1402، صفحه 508-528 اصل مقاله (597.93 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.351106.1007412 | ||
| نویسندگان | ||
| علیرضا حمیدیه1؛ میثم کاویانی* 2؛ بهاره اخگری3 | ||
| 1استادیار، گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران. | ||
| 2استادیار، گروه مدیریت و حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران. | ||
| 3کارشناس ارشد، گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران. | ||
| چکیده | ||
| هدف: زمانی که هِری مارکوویتز مقاله پیشگام مدل میانگین ـ واریانس را در سال 1952 منتشر کرد، آثار زیادی در باب کاربردها و توسعه مدل‌های کلاسیک وجود داشت و با توجه به پیشرفت بازارهای مالی، بهینه‌سازی فعال پرتفوی به یکی از مباحث مهم مالی تبدیل شد. هدف اصلی این پژوهش بررسی و تحلیل مدیریت فعال پرتفوی، به‌عنوان تصمیم‌گیری مهم و حساس برای سرمایه‌گذاران، هم‌زمان با توجه به ریسک کل پرتفوی است؛ زیرا عوامل مؤثر بر انتخاب پرتفوی بهینه سهام با نرخ بازده بالا و ریسک کنترل‌شده، از موضوعاتی است که همواره در کانون توجه تمامی تحلیلگران و سرمایه‌گذاران و حتی مدیران پرتفوی قرار دارد. روش: تاکنون روش‌های زیادی برای سنجش ریسک سرمایه‌گذاری مطرح شده است؛ اما قیمت دارایی‌های ریسکی، به‌دلیل پیچیدگی بازار مالی، به‌سرعت و به‌طور تصادفی تغییر می‌کند و فاصله تصادفی، ابزار مناسبی برای توصیف عدم قطعیت تصادفی و عدم دقت است. با توجه به عدم قطعیت در بازارهای مالی، این پژوهش از فواصل تصادفی برای توصیف بازده دارایی ریسکی استفاده کرده است و ریسک دنباله در نظر گرفته‌شده، ارزش در معرض ریسک شرطی ـ فاصله‌ای (ICVaR) نام‌گذاری شده است. ارزش فاصله‌ای در این مدل، بسط مدل پرتفوی کلاسیک است که می‌تواند به‌طور جامع، پیچیدگی بازار مالی و ریسک‌پذیری سرمایه‌گذاران را منعکس کند. یافته‌ها: با استناد بر نتایج به‌دست‌آمده از داده‌های واقعی 10 شرکت، از بین 30 شرکت بزرگ موجود در بازار بورس تهران، مدل ICVaR قابل تفسیر و سازگار با سناریوی عملی است و می‌تواند در سطوح مختلفی از ریسک و بسته به درجه ریسک‌پذیری سرمایه‌گذار، در انتخاب پرتفوی بهینه مناسب باشد. این پژوهش از رویکرد بهینه‌سازی پرتفوی تحت معیار جدید ارزش در معرض ریسک شرطی ـ فاصله‌ای، از طریق قیمت پایانی، بالاترین قیمت و پایین‌ترین قیمت در هر روز معاملاتی استفاده کرده است. در این مدل، دامنه بازده دارایی پُرریسک به‌عنوان یک متغیر تصادفی با ارزش فاصله‌ای به‌دست آمده است. همچنین برای توصیف ریسک، از CVaR با مقدار فاصله‌ای، به‌جای واریانس در یک سطح معینی از بازده استفاده شده است. نتیجه‌گیری: عدم قطعیت ناشی از معاملات دارایی، در پیش‌بینی‌های طرح‌های سرمایه‌گذاری تأثیر می‌گذارد. در این مطالعه، برای مواجهه با این‌گونه عدم قطعیت‌های چالش‌برانگیز، رویکرد بهینه‌سازی تصادفی استوار ارائه شد و محدوده راه‌حل‌های بهینه تولید شده مدل پیشنهادی، برای تعیین گزینه‌های مختلف عملیاتی بود. در نهایت، مدل ارائه‌شده در این پژوهش نشان داد که می‌توان ترجیح ذهنی یا تنفر سرمایه‌گذاران از ریسک را با رعایت اصل تنوع‌بخشی در پرتفوی توصیف کرد که به‌نوعی نوآوری متفاوتی از مدل کلاسیک پرتفوی را ارائه می‌دهد. همچنین با بهینه‌سازی استوار، تمام سناریوها با بدترین حالت ممکن در مدل بهینه شد و نتایج نشان داد که هر چه این دامنه کوچک‌تر در نظر گرفته شود، شدت ریسک‌گریزی سرمایه‌گذاران بیشتر نمایان می‌شود. | ||
| کلیدواژه‌ها | ||
| پرتفوی؛ متغیر تصادفی؛ ارزش فاصله‌ای؛ ارزش در معرض ریسک شرطی (CVaR)؛ برنامه‌ریزی استوار | ||
| عنوان مقاله [English] | ||
| Robust Portfolio Optimization under Interval-valued Conditional Value-at-Risk (CVaR) Criterion in the Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| Alireza Hamidieh1؛ Meysam Kaviani2؛ Bahareh Akhgari Akhgari3 | ||
| 1Associate Prof., Department of Industrial Engineering, Payame Noor University, Tehran, Iran. | ||
| 2Associate Prof., Department of Management and Accounting, Karaj Branch, Islamic Azad University, Karaj, Iran. | ||
| 3MSc., Department of Industrial Engineering, Payame Noor University, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective Ever since Harry Markowitz's groundbreaking paper on the mean-variance model was published in 1952, numerous efforts have been dedicated to exploring the applications and advancements of classical models. Following the development of financial markets, active portfolio optimization has become one of the most important topics in finance. This study aimed to examine active portfolio management, a critical and delicate choice for investors, particularly concerning overall portfolio risk. The determination of an optimal stock portfolio that offers both a substantial return rate and controlled risk is consistently a subject of keen interest for analysts, investors, and even portfolio managers. Methods Many methods have been developed to measure investment risk, and the price of risky assets changes rapidly and randomly due to the complexity of the financial market. A random interval is a suitable tool for describing uncertainty with randomness and imprecision. Given the uncertainty in financial markets, this study used stochastic intervals to describe the returns of risky assets and the tail sequence risk, called the interval-valued conditional value at risk (ICVaR). The interval value in this model is an extension of the classic portfolio model, which can comprehensively reflect the complexity of the financial market and the risk-taking behavior of investors. Results Following the findings from the real data of 10 out of 30 large corporates listed on the Tehran Stock Exchange, the ICVaR model is interpretable and compatible with the practical scenario and can be used to choose the optimal portfolio at different levels of risk and depending on the risk-taking degree of the investor. The present study used the portfolio optimization approach under a new criterion of ICVaR through the closing price, the highest price, and the lowest price on each trading day. In this model, the return range of the risky asset is taken as a random variable with an interval value. Besides, CVaR with an interval value is used to describe the risk instead of the variance at a certain level of return. Conclusion Uncertainties induced by asset transactions affect the predictions of investment plans. To address such challenging uncertainties in this study, a stable stochastic optimization approach was presented based on the range of optimal solutions produced by the proposed model to determine different operational options. Finally, the model developed in this study showed that investors’ subjective risk preference or aversion can be described by observing the principle of portfolio diversification, which reflects an innovation different from the classic portfolio model. Furthermore, the worst possible case was optimized in all scenarios in the model by robust optimization. The findings indicated that a narrower range corresponds to a higher level of risk aversion among investors. | ||
| کلیدواژه‌ها [English] | ||
| Portfolio, Random variable, Interval value, CVaR, Robust planning | ||
| مراجع | ||
|
احمدی، سیدمحمدمهدی؛ لطفی، حسن و رجبی، ولی (1399). تعیین اوزان بهینه پرتفوی سهام با رویکرد VaR و مقایسه آن با مدل مارکوویتز. مهندسی مالی و مدیریت اوراق بهادار، 11(45)، 571-586.
تقی‌زادگان، غلام رضا؛ زمردیان، غلامرضا؛ فلاح شمس، میرفیض و سعدی، رسول (1402). مقایسه عملکرد مدل‌های مارکوییتز و مدل ارزش در معرض خطر براساس ریسک عدم نقدشوندگی ـ تی کاپولا با همبستگی شرطی پویا (DCC t-Cupola LVaR) جهت بهینه‌سازی پرتفوی در بورس اوراق بهادار تهران. تحقیقات مالی، 25(1)، 152- 179.
حدادی، محمدرضا؛ نادمی، یونس؛ طافی، فاطمه (1400). بهینه‌سازی سبد سهام با معیارهای MAD و CVaR با مقایسه روش‌های کلاسیک و فراابتکاری. مهندسی مالی و مدیریت اوراق بهادار، 12(47)، 514-533.
راعی، رضا؛ باسخا، حامد و مهدی خواه، حسین (1399). بهینه‌سازی سبد سهام با استفاده از روش Mean-CVaR و رویکرد ناهم‌سانی واریانس شرطی متقارن و نامتقارن. تحقیقات مالی، 22(2)، 149-159.
راعی، رضا؛ نمکی، علی و احمدی، مؤمن (1401). پیاده‌سازی رویکرد استوار نسبی برای انتخاب پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از برنامه‌ریزی مخروطی مرتبه دوم. تحقیقات مالی، 24(2)، 184-213.
سینا، افسانه و فلاح، میرفیض (1399). مقایسه عملکرد مدل‌های ارزش در معرض ریسک و کاپیولا- CVaR جهت بهینه‌سازی پرتفوی در بورس اوراق بهادار تهران. چشم‌انداز مدیریت مالی، 10(29)، 125-146.
شیری قهی، امیر؛ دیده‌خانی، حسین؛ خلیلی، کاوه و سعیدی، پرویز (1396). مطالعه تطبیقی مدل بهینه‌سازی پرتفوی چند دوره‌ای چندهدفه در محیط اعتبار فازی با معیارهای متفاوت ریسک. راهبرد مدیریت مالی، 5(3)، 1-26.
طالبلو، رضا و داودی، محمد مهدی (1397). برآورد پرتفوی بهینه سرمایه‌گذاری با استفاده از دو الگوی ارزش در معرض ریسک (VaR) و ریزش مورد انتظار (ES): رهیافتGARCH-EVT-Copul. پژوهشنامه اقتصادی، 18(71)، 91-125.
راشف، اسوتلوزارتودورف و فابوتسی، فرانک ج. (1397). مدل‌های تصادفی پیشرفته ارزیابی ریسک و بهینه‌سازی پرتفوی (فخرالدین فخرحسینی و میثم کاویانی، مترجمان)، تهران: انتشارات کتاب مهربان.
مارتی، ولفگانگ (1401). تحلیل پرتفوی (مقدمه‌ای از سنجش ریسک و بازده)، (فخرالدین فخرحسینی و میثم کاویانی، مترجمان)، تهران: انتشارات آرون.
گوهرنیا، الهه؛ منصورفر، غلامرضا؛ بیگلری، فهیمه (1402). الگوریتم نقطه‌درونی در بهینه‌سازی سبد سهام چند هدفه: رویکرد GlueVaR. تحقیقات مالی.
References Ahmadi, S., Lotfi, H., Rajabi, V. (2020). Determine the optimal portfolio weights var-stock approach And compare it with the Markowitz model. Financial Engineering and Portfolio Management, 11(45), 571-586. (in Persian) Ben-Tal, A., & Nemirovski, A. (2000). Robust solutions of linear programming problems contaminated with uncertain data. Mathematical Programming, (88), 411-424. Bertsimas, D., & Sym, M. (2004). The Price of the Robustness. Operations Research, (52), 35-53. Bodnar, T., Lindholm, M., Niklasson, V., & Thorsén, E. (2022). Bayesian portfolio selection using VaR and CVaR. Applied Mathematics and Computation, 427, 127120. Dai, Z., & Wang, F. (2019). Sparse and robust mean–variance portfolio optimization problems. Physica A: Statistical Mechanics and its Applications, 523, 1371-1378. Fakhar, M., Mahyarinia, M. R., & Zafarani, J. (2018). On nonsmooth robust multiobjective optimization under generalized convexity with applications to portfolio optimization. European Journal of Operational Research, 265(1), 39-48. Rachev, S. & Fabozzi, F.G. (2018). Advanced stochastic models of risk assessment and portfolio optimization (Fakhrhosseini and Kaviani, Trans.). Tehran, Mehraban. Gabrel, V., & Murat, C. (2018). Portfolio optimization with pw-robustness. EURO Journal on Computational Optimization, 6(3), 267-290. Ghahtarani, A. (2021). A new portfolio selection problem in bubble condition under uncertainty: Application of Z-number theory and fuzzy neural network. Expert Systems with Applications, 177, 114944. Giove, S., Funari, S. and Nardelli, C. (2006). An interval portfolio selection problem based on regret function. European Journal of Operational Research, 170(1): 253-264. Gohania, E., Mansourfar, G., & Biglari, F. (2023). Interior point algorithm in multi-objective portfolio optimization: GlueVaR approach. Financial Research Journal. (in Persian) Haddadi, M., Nademi, Y., Tafi, F. (2021). Stock Portfolio Optimization with MAD and CVaR Criteria by Comparing Classical and Metaheuristic Methods. Financial Engineering and Portfolio Management, 12(47), 514-533. (in Persian) Hosseini-Nodeh, Z., Khanjani-Shiraz, R., & Pardalos, P. (2022). Distributionally robust portfolio optimization with second-order stochastic dominance based on wasserstein metric. Information Sciences, 613, 828-852. Ida, M. (2003). Portfolio selection problem with interval coefficients. Applied Mathematics Letters, 16(5), 709-713. Kara, E. K., & Kemaloglu, S. A. (2017). Risk Measures of the ERNB Distribution Generated by G-NB Family. Mathematical Sciences and Applications E-Notes, 5(1), 77-84. Marty, W. (2022). Portfolio analysis (an introduction to risk and return measurement), (Kaviani, M and Fakhrhosseini, S. F., Trans.). Arvan Publications, Tehran. (in Persian) Konno, H., & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531. Li, Z., Zhang, J. & Wang, X. (2017). Interval-valued risk measure models and empirical analysis. Fuzzy Systems Association, International Conference on Soft Computing & Intelligent Systems. IEEE. Lu, Z. (2011). Robust portfolio selection based on a joint ellipsoidal uncertainty set, Optimization Methods and Software, 26(1), 89–104. Min, L., Dong, J., Liu, J. & Gong, X. (2021). Robust mean-risk portfolio optimization using machine learning-based trade-off parameter. Applied Soft Computing, 113, 107948. Mulvey, J., Vanderberi, R., & Zenios, S. (1995). Robust Optimization of Large-Scale Systems. Operations research. Operations Research, 43, 264-281. Plachel, L. (2019). A unified model for regularized and robust portfolio optimization. Journal of Economic Dynamics and Control, 109, 103779. Raei, R., Basakha, H., & Mahdikhah, H. (2020). Equity Portfolio Optimization Using Mean-CVaR Method Considering Symmetric and Asymmetric Autoregressive Conditional Heteroscedasticity. Financial Research Journal, 22(2), 149-159. (in Persian) Raei, R., Namaki, A., & Ahmadi, M. (2022). Applying the Relative Robust Approach for Selection of Optimal Portfolio in the Tehran Stock Exchange by Second-order Conic Programming. Financial Research Journal, 24(2), 184-213. (in Persian) Sehgal, R. & Mehra, A. (2020). Robust portfolio optimization with second order stochastic dominance constraints. Computers & Industrial Engineering, 144, 106396. Sharma, A., Utz, S. & Mehra, A. (2017). Omega-CVaR portfolio optimization and its worst case analysis. OR Spectrum, 39(2), 505–539. Shiri Ghahi, A., Didehkhani, H., Khalili Damghani, K., & Saeedi, P. (2017). A Comparative Study of Multi-Objective Multi-Period Portfolio Optimization Models in a Fuzzy Credibility Environment Using Different Risk Measures. Financial Management Strategy, 5(3). (in Persian) Sina, A., & Fallah, M. (2020). Comparison of Value Risk Models and Coppola-CVaR in Portfolio Optimization in Tehran Stock Exchange. Journal of Financial Management Perspective, 10(29). (in Persian) Soyster, A. (1973). Convex programming with set-inclusive constraints and applications to inexact linear programming. Operation Research. (21), 1154-1157. Taghizadegan, G. R., Zomorodian, G., Falah Shams, M. & Saadi, R. (2023). Comparing the performance of Markowitz models and value-at-risk model based on illiquidity risk-T-Cupola with dynamic conditional correlation (DCC t-Cupola LVaR) for portfolio optimization in Tehran Stock Exchange. Financial Research Journal, 25(1), 152-179. Taleblou, R., & Davoudi, M. (2018). Estimation of Optimal Investment Portfolio Using Value at Risk (VaR) and Expected Shortfall (ES) Models: GARCH-EVT-Copula Approach. Economics Research, 18(71), 91-125. (in Persian) Chen, W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A Statistical Mechanics and its Applications, 429, 125-139. Yu, C. S., & Li, H. L. (2000). A robust optimization model for stochastic logistic problems. Yu, J. R., Chiou, W. J. P., Lee, W. Y., & Chuang, T. Y. (2019). Realized performance of robust portfolios: Worst-case Omega vs. CVaR-related models. Computers & Operations Research, 104, 239-255. Zhang, J. & Zhang, K. (2022). Portfolio selection models based on interval-valued conditional value at risk (ICVaR) and empirical analysis. Fractal Fract. arXiv preprint arXiv:2201.02987. Zhang, J., Li, S., Mitoma, I., & Okazaki, Y. (2009). On set-valued stochastic integrals in an M-type 2 Banach space. Journal of mathematical analysis and applications, 350(1), 216-233. Zymler, S., Rustem, B. & Kuhn, D. (2011). Robust portfolio optimization with derivative insurance guarantees. European Journal of Operational Research, 210 (2), 410-424. | ||
|
آمار تعداد مشاهده مقاله: 326 تعداد دریافت فایل اصل مقاله: 229 |
||