robust programming
در نشریات گروه مالی-
بهینه سازی سبد سرمایه گذاری از موضوعات حیاتی حوزه مدیریت سرمایه گذاری است. نوسانات مختلف بازارهای مالی و عدم قطعیت پارامترها، بکارگیری مدل های کلاسیک را با چالش جدی مواجه می کند. از این رو بهینه سازی مدل های مالی در شرایط عدم اطمینان جهت انطباق با دنیای واقعی مورد توجه محققان قرار گرفته است. در پژوهش حاضر یک مدل ترکیبی بهینه سازی با بکارگیری همزمان روش تحلیل پوششی داده ها و بهینه سازی استوار به منظور ارزیابی ریسک با ورودی ها وخروجی های غیرقطعی توسعه یافته است. جامعه آماری پژوهش از درگاه کوین مارکت کپ استخراج شده است که در آن از داده های روزآمد قیمت تعدیل شده 37 رمز ارز برتر انتخابی برای برآورد ریسک و ایجاد پرتفوی بهینه مورد استفاده قرار گرفته است. یک رویکرد دو مرحله ای برای انتخاب و بهینه سازی سبد سهام، افزایش استواری فرایند سرمایه گذاری و ارزیابی جامع سهام مبتنی بر معیارهای مالی پیشنهاد شده است. در مرحله اول، ارزیابی کارایی سهام منتخب با استفاده از روش تحلیل پوششی داده ای - برنامه ریزی استوار [1] (RDEA) انجام می شود. سپس در فاز دوم، با استفاده از مدل های میانگین نیم واریانس و میانگین انحراف مطلق استوار، میزان سرمایه گذاری در سهام واجد شرایط تعیین می شود. عملکرد رویکرد پیشنهادی در مطالعه موردی داده های رمز ارز با عدم قطعیت فزاینده مورد ارزیابی قرار می گیرد. نتایج مقایسه ای مدل های همتای استوار با دو سنجه ریسک نشان می دهد که مدل میانگین نیم واریانس عملکرد بهتری در انتخاب و بهینه سازی سبد سرمایه گذاری دارد.
کلید واژگان: بهینه سازی سبدسهام، تحلیل پوششی داده ها، برنامه ریزی استوار، میانگین نیمه واریانس، میانگین انحراف مطلقOptimizing the investment portfolio is one of the vital issues in investment management. The various fluctuations of the financial markets and the uncertainty of the parameters make using classical models a severe challenge. Therefore, the optimization of financial models in conditions of uncertainty to adapt to the real world has been the focus of researchers. In the present research, a hybrid optimization model has been developed by applying data envelopment analysis and robust programming to assess risk with uncertain inputs and outputs. The statistical population of the research was extracted from the Coin Marketcap portal, where the updated data of the adjusted price of 37 selected top cryptocurrencies was used to estimate the risk and create an optimal portfolio. A two-step approach for selecting and optimizing the stock portfolio, increasing the stability of the investment process, and comprehensive evaluation of stocks based on financial criteria is proposed. In the first stage, the performance assessment of the selected stocks is done using the robust programming-data envelopment analysis (RDEA) method. Then, in the second phase, the investment amount in eligible stocks is determined using the half-variance average and absolute standard deviation models. The performance of the proposed approach is evaluated in a case study of cryptocurrency data with increasing uncertainty. The comparative results of robust peer models with two risk measures show that the mean semi-variance model performs better in choosing and optimizing the investment portfolio.
Keywords: Portfolio Optimization, Data Envelopment Analysis, Robust programming, semi-variance mean, absolute deviation mean -
مطابق نظریه مارکویتز، امکان پیش بینی بازار سرمایه در آینده وجود نداشته و سرمایه گذاران باید به منظور کنترل ریسک سرمایه گذاری، به تشکیل پرتفو بپردازند. در تحقیقات اخیر، توسعه های زیادی روی مدل اولیه پرتفوی مارکویتز از حیث مدلسازی و روش حل ایجاد کرده اند. از جمله اینکه از سنجه های ریسک طیفی همچون ریزش مورد انتظار و ارزش در معرض خطر برای سنجش ریسک استفاده می شود. همچنین، مدل های متنوع فازی، احتمالی و پابرجا برای در نظر گرفتن عدم قطعیت سنجش ریسک و بازدهی توسعه داده شده اند که خطای پیش بینی و ریسک رخداد بحران در خصوص پرتفو را کاهش می دهند. اما به جز تشکیل سبد بهینه سرمایه گذاری، نیاز است که مدل های پابرجا در خصوص مدیریت فعال سبد سرمایه گذاری نیز توسعه داده شود. در تحقیق حاضر، یک مدل تشکیل سبد پابرجا و یک مدل مدیریت فعال پابرجای سبد توسعه داده شده و به حل آن با استفاده از روش فراابتکاری کلونی زنبور عسل پرداخته شده است. بر اساس نتایج به دست آمده، روش پیشنهادی هم در مرحله تشکیل سبد بهینه و هم در مرحله مدیریت آن، از روش های کلاسیک، عملکرد بهتری نشان داده است.
کلید واژگان: برنامه ریزی پابرجا، سبد سرمایه گذاری، ارزش در معرض خطر شرطی، مدیریت فعال، عدم قطعیتBased on Markowitz theory of portfolio optimization, capital market is not predictable by any methods and the risk can only be diversified through portfolio formation and optimization. Recent works made huge developments in the basic model from modeling and risk measures perspectives. Spectral risk measures such as expected shortfall and value at risk are being used frequently as risk measures. In addition, researchers tend to consider uncertainty in risk and return evaluation via fuzzy, stochastic and robust modeling. However, a matter that has been neglected in many researches is portfolio management under uncertainty conditions. This paper propose a method for robust modeling of portfolio optimization and management using expected shortfall as risk measure and Bertsimas modeling as robust programming. The proposed model solved with artificial bee colony algorithm and results show a better performance of proposed model compared to classic methods in both the optimal portfolio formation and its management phase.
Keywords: Robust Programming, Portfolio, CVAR, Active Management, Uncertainty
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.