بهینه سازی نوآورانه پرتفولیو سهام: یک رویکرد بهینه یکپارچه با استفاده از الگوریتم PSO و بدترین حالت CVaR ـ کاپولای پویا برای عملکرد پیشرفته
محورهای موضوعی : اقتصادی
وحید ساعی
1
,
یعقوب پور کریم
2
*
,
سید علی پایتخی اسکوئی
3
,
رسول برادران حسن زاده
4
,
مهدی زینالی
5
1 - دانشجوی دکتری مهندسی مالی، گرایش مهندسی، گروه حسابداری،دانشگاه آزاد اسلامی واحد تبریز، دانشکده مدیریت، اقتصاد و حسابداری
2 - دانشگاه آزاد اسلامی، واحد تبریز/مدیریت، اقتصاد و حسابداری،حسابداری
3 - گروه اقتصاد، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
4 - دانشگاه آزاد اسلامی واحد تبریز
5 - گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
کلید واژه: بهینهسازی پرتفولیو, مدل میانگین ـ واریانس, کاپولای پویا, بهینهسازی, الگوریتم فرا ابتکاری,
چکیده مقاله :
بهینهسازی سبد سهام مفهومی کلیدی در مدیریت سرمایهگذاری است که ترکیب بهینهای از بازده و ریسک را در تخصیص داراییها ایجاد میکند. نظریه مدرن سبد سهام (MPT) که همبستگیهای بین داراییها را در نظر گرفته و از تحلیل میانگین ـ واریانس استفاده میکند، گامی اساسی در ساخت سبد محسوب میشود. با این حال، واقعیتهای بازارهای مالی که تمایل به نشان دادن پیچیدگیها و نیاز به مدیریت ریسکهای دنباله سنگین و وابستگیهای گذرا دارند، ضرورت توسعه تکنیکهای غنیتری مانند چارچوبهای بهینهسازی ارزش در معرض خطر شرطی (CVaR) و فرآیندهای چندهدفه را تقویت کرده است. در این پژوهش، یک مدل چندهدفه نوین برای انتخاب پرتفوی بهینه ارائه میشود که از تکنیک کاپولای پویا بهمنظور ارزیابی دقیق وابستگیهای غیرخطی و غیرپارامتریک بین داراییها و از الگوریتم PSO برای بهینهسازی استفاده میکند. مدل پیشنهادی، با تلفیق معیارهای پیشرفته مدیریت ریسک، شامل بدترین حالت CvaR (WCVaR) و بازده مورد انتظار، چارچوبی جامع برای بهینه سازی پرتفوی تحت شرایط بازارهای پویا فراهم میسازد. یافتهها حاکی از آن است که مدل پیشنهادی، در مقایسه با روشهای کلاسیک نظیر مدل میانگین ـ واریانس مارکویتز و پرتفوی با وزنهای برابر، از برتری معناداری در شاخصهای عملکردی شامل نسبت شارپ تعدیلشده با ریسک و پایداری در شرایط آشفتگی بازار برخوردار است. این مدل با امکان مدیریت پویای توزیع داراییها و حفظ توازن بین اهداف رقابتی (مانند حداکثرسازی بازده و حداقلسازی ریسک)، گزینهای کارآمد برای سرمایهگذاران نهادی و حرفهای محسوب میشود.
Portfolio optimization is a key concept in investment management that creates an optimal mix of return and risk in asset allocation. Modern Portfolio Theory (MPT), which accounts for correlations between assets and uses mean-variance analysis, is a key step in portfolio construction. However, the realities of the financial markets—which tend to reveal complexities and the need to manage heavy-tail risks and ephemeral dependencies—has prompted the need to develop much richer techniques, such as Conditional Value-at-Risk (CVaR) optimization frameworks and multi-objective processes. In this research, we introduce a new multi-objective model for optimal portfolio selection that utilizes, among other things, dynamic copula approaches to accurately quantify the linear and nonlinear nonparametric dependencies between assets, with the PSO algorithm to optimize the portfolio. This new model incorporates more sophisticated risk management metrics, such as Worst-Case Conditional Value-at-Risk (WCVaR) and expected return, and proposes a methodology for optimizing portfolios in dynamic investment environments. The findings indicate that the proposed model demonstrates significant superiority over classical approaches such as the Markowitz mean-variance model and equally weighted portfolios across performance metrics including the risk-adjusted Sharpe ratio and stability during market turbulence. By enabling dynamic asset allocation management and maintaining equilibrium between competing objectives (such as return maximization and risk minimization), this model presents an efficient solution for institutional and professional investors.
منابع
1. ایازی، مهدی و ابطحی، سبدمهدی(1399)، بهینهسازی پرتفوی سهام با استفاده از رویکرد میانگین و نیم واریانس، پایاننامه کارشناسی ارشد، دانشگاه آزا د اسلامی، واحد مرودشت.
2. تقیخواهخمامی، نسرین، صلاحی، مازیار(1398)، مدل استوار میانگین ـ واریانس مارکویتز، پایاننامه کارشناسی ارشد، دانشگاه گیلان.
3. داودیفر، نسیم(1399)، بهینه سازی مدل میانگین نیم واریانس در بازار مالی بین الملل توسط الگوریتم های PSO و GA و FA، فصلنامه علمی تخصصی رویکردهای پژوهشی نوین در مدیریت و حسابداری, 4(48): (1399) , 14-1.
4. رضاشاطری، مریم؛ نصری، محمد؛ زینالی، مهدی. (1403). ارائه الگوي بهینه سبد سهام از طریق محدودیت تسلط تصادفي و کاهش ریسک گریزي مطلق، فصلنامه علمي اقتصاد و بانکداري اسلامي، شماره 46، 227-252.
5. واعظی، فرشته و همکاران(1400)، بهینهسازی سبد سرمایهگذاری بر مبنای توسعه مدل کوله پشتی، رساله دکتری، رشته مهندسی صنایع، دانشگاه علم و صنعت ایران.
6. Alotaibi, T. S., Dalla Valle, L., & Craven, M. J. (2022). The Worst Case GARCH-Copula CVaR Approach for Portfolio Optimisation: Evidence from Financial Markets. Journal of Risk and Financial Management, 15(10), 482.
7. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
8. Caillault, C., & Guegan, D. (2005). Empirical estimation of tail dependence using copulas: application to Asian markets. Quantitative Finance, 5(5), 489-501.
9. Chen, W., Zhang, H., Mehlawat, M. K., & Jia, L. (2021). Mean–variance portfolio optimization using machine learning-based stock price prediction. Applied Soft Computing, 100, 106943.
10. Clayton, D. G. (1978). A model for association in bivariate life tables and its application in epidemiological studies of familial tendency in chronic disease incidence. Biometrika, 65(1), 141-151.
11. Duarte, G. V., & Ozaki, V. A. (2023). Modeling multivariate time series with copulas: Implications for pricing revenue insurance. Revista Brasileira de Economia, 77, e102023.
12. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the econometric society, 987-1007.
13. Frank, M. J. (1979). On the simultaneous associativity ofF (x, y) andx+y− F (x, y). Aequationes mathematicae, 19(1), 194-226.
14. Grossmass, L., & Poon, S. H. (2015). Estimating dynamic copula dependence using intraday data. Studies in Nonlinear Dynamics & Econometrics, 19(4), 501-529.
15. Kennedy, J., & Eberhart, R. (1995, November). Particle swarm optimization. In Proceedings of ICNN'95-international conference on neural networks (Vol. 4, pp. 1942-1948). ieee.
16. Khurshid, S., Abdulla, M. S., & Ghatak, G. (2025). Optimizing sharpe ratio: risk-adjusted decision-making in multi-armed bandits. Machine Learning, 114(2), 32.
17. Lin, C. C., Tseng, C. H., & Ho, S. L. (2023, October). Applying Random Forest Algorithm and Mean-Variance Model in Portfolio Optimization in the China Stock Market. In 2023 IEEE 5th Eurasia Conference on IOT, Communication and Engineering (ECICE) (pp. 361-364).
18. , S., & Teräsvirta, T. (2002). Evaluating GARCH models. Journal of Econometrics, 110(2), 417-435.
19. Ma, M., Song, S., Ren, L., Jiang, S., & Song, J. (2013). Multivariate drought characteristics using trivariate Gaussian and Student t copulas. Hydrological processes, 27(8), 1175-1190.
20. Markowitz, H. (1952). Portfolio Selection. Journal of Finance.
21. Nelsen, R. B. (2006). An introduction to copulas. Springer Science & Business Media.
22. Patton, A. (2013). Copula methods for forecasting multivariate time series. Handbook of economic forecasting, 2, 899-960.
23. Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of risk, 2, 21-42.
24. Sklar, M. (1959). Fonctions de répartition à n dimensions et leurs marges. In Annales de l'ISUP (Vol. 8, No. 3, pp. 229-231).