پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,760 |
| تعداد مقالات | 72,812 |
| تعداد مشاهده مقاله | 131,597,779 |
| تعداد دریافت فایل اصل مقاله | 103,396,457 |
بهینه‌سازی سبد سرمایه‌گذاری چندمعیاره فازی با درنظر گرفتن سطوح مختلف انتظارات سرمایه‌گذار | ||
| تحقیقات مالی | ||
| دوره 27، شماره 1، 1404، صفحه 1-30 اصل مقاله (604.09 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2024.372592.1007574 | ||
| نویسندگان | ||
| علی نمکی* 1؛ سعید شیرکوند2؛ امیرسینا جیرفتی3 | ||
| 1استادیار، گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 2دانشیار، گروه مالی و بیمه، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 3دانشجوی دکتری، گروه مهندسی مالی، پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: هدف از پژوهش حاضر، بهینه‌سازی سبد سرمایه‌گذاری با درنظر گرفتن تمامی معیارهای با اهمیت برای سرمایه‌گذار، در یک محیط فازی با لحاظ‌کردن سطوح مختلف انتظارات سرمایه‌گذار برای هر یک از معیارها بر اساس ریسکپذیری آن‌هاست. بر این اساس، از یک طرف، استفاده از منطق فازی در مدل‌سازی این مسئله، به‌دلیل درنظر گرفتن‌عدم قطعیت در داده‌های ورودی، می‌تواند به افزایش تطابق مسئله با شرایط دنیای واقعی منجر شود. از طرف دیگر، در مدل انتخاب سبد سرمایه‌گذاری ارائه‌شده، علاوه‌بر ریسک و بازده، به‌عنوان دو عامل کلیدی برای سرمایه‌گذار، برخی عوامل مهم دیگر درنظر گرفته خواهد شد تا بتواند معیارهای مختلف برای سرمایه‌گذار، از جمله ریسک، بازده کوتاهمدت و بلندمدت، نقدشوندگی، بیشینه و کمینه نسبت سرمایه‌گذاری روی هر دارایی، سود تقسیمی و محدودیت کاردینالیتی (تعداد دارایی‌های داخل پرتفوی) را لحاظ کند. هدف دیگر این پژوهش، ارائۀ مدلی نوآورانه نسبت به مدل‌های موجود با درنظر گرفتن تابع عضویت لاجستیک شکل فازی، به‌منظور مدل‌سازی سطوح انتظارات مختلف سرمایه‌گذاران است تا بتواند سبد سرمایه‌گذاری را بر اساس اولویت سرمایه‌گذاران با درجه ریسکپذیری مختلف نسبت به معیارهای متفاوت تشکیل دهد. روش: روش انجام این پژوهش بدین ترتیب است که ابتدا به مدل‌سازی یک مسئله بهینه‌سازی چندهدفه غیرخطی، در یک محیط فازی با درنظر گرفتن تمامی عوامل مهم برای سرمایه‌گذار پرداخته می‌شود. سپس با استفاده از روش‌های کمّی و مبانی منطق فازی، مسئله را به یک مسئلۀ خطی تک هدفه تبدیل می‌کنیم تا با استفاده از روش‌ها و نرم‌افزارهای معمول، بهینه‌سازی قابل حل باشد. در نهایت با استفاده از شاخص ۵۰ شرکت فعال‌تر بورس اوراق بهادار، به پیاده‌سازی مدل و تحلیل نتایج خواهیم پرداخت. یافته‌ها: یافته‌های پژوهش نشان می‌دهد که مدل ارائه‌شده برای هر دو سرمایه‌گذار ریسک‌پذیر و محافظه‌کار، نسبت به شاخص ۵۰ شرکت فعال‌تر بورس اوراق بهادار، بازدهی بیش از دو برابری دارد. علاوه‌براین، مدل ارائه‌شده، به‌دلیل درنظر گرفتن تابع عضویت لاجستیک‌شکل، برای اهداف مختلف مسئله می‌تواند برای سرمایه‌گذاران با استراتژی تهاجمی (ریسک‌پذیر) یا محافظه‌کار (ریسک‌گریز) شخصی‌سازی شود. دلیل این موضوع وجود پارامتر تعیین شکل تابع عضویت در توابع لاجستیک‌شکل است که می‌تواند اولویت عوامل مختلف از جمله ریسک، بازده کوتاهمدت و بلندمدت، نقدشوندگی یا سود تقسیمی را برای سرمایه‌گذاران مختلف با سطوح متفاوت ریسکپذیری مشخص کند. نتیجه‌گیری: استفاده از توابع عضویت لاجستیک‌شکل، در محیط فازی و معیارهای مختلف می‌تواند مدل انتخاب سبد سرمایه‌گذاری را برای سرمایه‌گذاران با ویژگی‌های مختلف شخصی‌سازی کند تا سرمایه‌گذاران با سطوح مختلف ریسکپذیری، بتوانند یک سبد سرمایه‌گذاری مطابق با اولویت‌های خود را تشکیل دهند. این موضوع به کاربردی شدن مسئلۀ انتخاب سبد سرمایه‌گذاری در دنیای واقعی کمک بسزایی می‌کند. همچنین با استفاده از روش‌های محاسباتی و اصول فازی، می‌توان مسئلۀ چندهدفۀ غیرخطی را به یک مدل تک‌هدفه خطی تبدیل کرد تا پیاده‌سازی و حل آن تسهیل شود. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی سبد سرمایه‌گذاری؛ تابع عضویت لاجستیک فازی؛ سبد سرمایه‌گذاری چند معیاره | ||
| عنوان مقاله [English] | ||
| Multi-Criteria Fuzzy Portfolio Optimization Considering Varying Levels of Investor Expectations | ||
| نویسندگان [English] | ||
| Ali Namaki1؛ Saeid Shirkavand2؛ Amirsina Jirofti3 | ||
| 1Assistant Prof., Department of Financial Engineering, Faculty of Accounting and Financial Sciences, College of Management, University of Tehran, Tehran, Iran. | ||
| 2Associate Prof., Department of Finance and Insurance, Faculty of Accounting and Financial Sciences, College of Management, University of Tehran, Tehran, Iran. | ||
| 3Ph.D. Candidate, Department Financial Engineering, Kish International Campus, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective The objective of the present research is the optimization of investment portfolios, considering all significant criteria for investors in a fuzzy environment, and taking into account various levels of investor expectations for each criterion based on their risk preferences. On one hand, the utilization of fuzzy logic in modeling this problem can enhance its alignment with real-world conditions by accommodating uncertainty in input data. On the other hand, the proposed model for portfolio selection incorporates not only risk and return as key factors for investors but also considers other important factors. These factors include short-term and long-term returns, liquidity, maximum and minimum investment ratios in each asset, dividend distribution, and cardinality constraint (the number of assets within the portfolio). Another objective of this research is to present an innovative model compared to existing ones by incorporating a logistic fuzzy membership function to model various levels of investor expectations. This enables the formation of investment portfolios based on the priorities of investors with different risk appetites regarding different criteria. Methods The method of conducting this research involves initially addressing the optimization modeling of a nonlinear multi-objective problem in a fuzzy environment, considering all crucial factors for investors. Subsequently, employing quantitative methods and the foundations of fuzzy logic, we transform the problem into a single-objective linear problem, making it amenable to solution using conventional optimization methods and software. Ultimately, utilizing data from the 50 most active companies on the Tehran Stock Exchange (TSE) market, we implement the model and analyze the results. Results The research results indicate that the proposed model yields a return more than twice that of the index of the 50 most active companies on the Tehran Stock Exchange (TSE) for both aggressive and conservative investors. Additionally, the model, by incorporating a logistic-shaped membership function for various problem objectives, can be customized for investors with aggressive (risk-tolerant) or conservative (risk-averse) strategies. This customization is attributed to a parameter that determines the shape of the membership function in logistic functions, allowing the prioritization of different factors such as risk, short-term and long-term returns, liquidity, or dividend distribution for investors with varying levels of risk tolerance. Conclusion The utilization of logistic-shaped membership functions in a fuzzy environment, along with diverse criteria, can personalize the investment portfolio selection model for investors with different characteristics. This customization enables investors with various risk tolerances to construct a portfolio according to their priorities. This adaptability significantly enhances the practical applicability of the portfolio selection problem in the real world. Furthermore, employing computational methods and fuzzy principles allows the transformation of a nonlinear multi-objective problem into a single-objective linear model, facilitating its implementation and resolution. | ||
| کلیدواژه‌ها [English] | ||
| Fuzzy logistic membership function, Investment portfolio optimization, Multi-criteria portfolio | ||
| مراجع | ||
|
تقی‌زادگان، غلام رضا؛ زمردیان، غلامرضا؛ فلاح شمس، میرفیض؛ 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.
تیموری آشتیانی، علی؛ حمیدیان، محسن؛ جعفری، سیده محبوبه (1401). ارائه مدل بهینه برای انتخاب سهام مبتنی بر استراتژی‌های معاملاتی مومنتوم، معکوس و هیبریدی با استفاده از الگوریتم GWO. تحقیقات مالی، 24(4)، 624-654.
گل ارضی، غلامحسین؛ انصاری، حمیدرضا (1401). مقایسه عملکرد الگوریتمهای تکاملی NSGAII و SPEA2 در انتخاب پرتفولیوی بهینه در بورس اوراق بهادار تهران. تحقیقات مالی، 24(3)، 410-430.
موسوی کاخکی، وحیده؛ خطابی، ساناز (1403). ارائه الگوی بهینه‌سازی سبد سهام بر اساس ترجیحات رفتاری و حافظه سرمایه‌گذار. تحقیقات مالی، 26(1)، 131-158.
References Aparicio, F. M. & Estrada, J. (2001). Empirical distributions of stock returns: European securities markets, 1990-95. The European Journal of Finance, 7(1), 1-21. Bellman, R. E. & Zadeh, L. A. (1970). Decision-making in a fuzzy environment. Management science, 17(4), B-141. Carlsson, C., Fullér, R. & Majlender, P. (2002). A possibilistic approach to selecting portfolios with highest utility score. Fuzzy sets and systems, 131(1), 13-21. Chen, W. & Xu, W. (2019). A hybrid multiobjective bat algorithm for fuzzy portfolio optimization with real-world constraints. International Journal of Fuzzy Systems, 21(1), 291-307. Fama, E. F. (1965). The behavior of stock-market prices. The journal of Business, 38(1), 34-105. Golarzi, G. & Ansari, H. R. (2022). Performance comparison of Non-dominated sorting genetic algorithm with strength Pareto evolutionary algorithm in selecting optimal portfolios in Tehran Stock Exchange. Financial Research Journal, 24(3), 410-430. (in Persian) Gong, X., Yu, C., Min, L. & Ge, Z. (2021). Regret theory-based fuzzy multi-objective portfolio selection model involving DEA cross-efficiency and higher moments. Applied Soft Computing, 100, 106958. Gupta, P., Inuiguchi, M., Mehlawat, M. K. & Mittal, G. (2013). Multiobjective credibilistic portfolio selection model with fuzzy chance-constraints. Information Sciences, 229, 1-17. Gupta, P., Kumar, M., Inuiguchi, M., Chandra, S. (2014). Fuzzy Portfolio Optimization (Advances in Hybrid Multi-criteria Methodologies). In Studies in Fuzziness and Soft Computing. Springer Berlin Heidelberg. Huang, X. (2010). Portfolio Analysis: From Probabilistic to Credibilistic and Uncertain Approaches, Studies in Fuzziness and Soft Computing. DOI: 10.1007/978-3-642-11214-0_1 Jirofti, A. & Najafi, A. A. (2018). Portfolio selection using Z-number theory: two solution methodologies. International Journal of Fuzzy Systems, 20(8), 2484-2496. Konno, H. & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531. Lee, G. S., Binder, J. J. & Hlouskova, J. (2001). Legal Restrictions on Portfolio Holdings: Some Empirical Results. Institute for Advanced Studies in Economics & Finance Working Paper, (93). Li, L., Li, J., Qin, Q. & Cheng, S. (2013, October). Credibilistic conditional value at risk under fuzzy environment. In 2013 Sixth International Conference on Advanced Computational Intelligence (ICACI) (pp. 350-353). IEEE. Liu, B. (2004). Uncertainty Theory: An Introduction to its Axiomatic Foundations, STUDFUZZ, Springer. Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91. Markowitz, H. M. (1991). Foundations of portfolio theory. The journal of finance, 46(2), 469-477. McNeil, A.J., Frey, R., (1999). Estimation of tail-related risk measures for heteroscedastic financial time series: an extreme value approach. Working paperRiskLab, ETH Zurich. Meng, X. & Shan, Y. (2021, July). A fuzzy mean semi-absolute deviation-semi-variance-proportional entropy portfolio selection model with transaction costs. In 2021 40th Chinese Control Conference (CCC) (pp. 8673-8678). IEEE. Moghadam, M. A., Ebrahimi, S. B. & Rahmani, D. (2020). A constrained multi-period robust portfolio model with behavioral factors and an interval semi-absolute deviation. Journal of Computational and Applied Mathematics, 374, 112742. Mousavi Kakhki, V. & Khatabi, S. (2024). Modeling Portfolio Optimization based on behavioral Preferences and Investor’s Memory. Financial Research Journal, 26(1), 131-158. (in Persian) Nahmias, S. (1978) Fuzzy variables. Fuzzy Sets and Systems. 1, 97–110. Parra, M. A., Terol, A. B. & Urıa, M. R. (2001). A fuzzy goal programming approach to portfolio selection. European Journal of Operational Research, 133(2), 287-297. Peykani, P., Nouri, M., Eshghi, F., Khamechian, M. & Farrokhi-Asl, H. (2021). A novel mathematical approach for fuzzy multi-period multi-objective portfolio optimization problem under uncertain environment and practical constraints. Journal of fuzzy extension and applications, 2(3), 191-203. Speranza, M. G. (1993). Linear programming models for portfolio optimization. The Journal of Finance, 14, 107–123. Taghizadegan, G., Zomorodian, G., Fallahshams, M. & Saadi, R. (2023). Comparison of Markowitz Model and DCC-tCopula-LVaR for Portfolio Optimization in the Tehran Stock Exchange. Financial Research Journal, 25(1), 152-179. (in Persian) Teymouri Ashtiani, A., Hamidian, M. & Jafari, S. M. (2022). Providing the Optimal Model for Stock Selection Based on Momentum, Reverse and Hybrid Trading Strategies Using GWO Algorithm. Financial Research Journal, 24(4), 624-654. (in Persian) Wang, Y.L., Watada, J., (2012). A distance-Based PSO approach to solve fuzzy MOPSM with distinct risk measurement, International Journal of Innovative Computing, Information and Control. 9, 6191-6203. Zadeh, L.A. (1965) Fuzzy Sets. Information Control, 8, 338-353. Zadeh, L.A. (1975). The concept of a linguistic variable and its application to approximate reasoning—II. Information sciences, 8(4), 301-357. Zadeh, L.A. (1978) Fuzzy sets as a basis for a theory of possibility, Fuzzy Sets and Systems 1 (1) 3–28. Zadeh, L.A. (2011). A note on Z-numbers. Information sciences, 181(14), 2923-2932. Zhang, X., Zhang, W. G. & Xu, W. J. (2011). An optimization model of the portfolio adjusting problem with fuzzy return and a SMO algorithm. Expert Systems with Applications, 38(4), 3069-3074. Zhang, Y., Liu, W. & Yang, X. (2022). An automatic trading system for fuzzy portfolio optimization problem with sell orders. Expert Systems with Applications, 187, 115822. | ||
|
آمار تعداد مشاهده مقاله: 532 تعداد دریافت فایل اصل مقاله: 295 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب