مدل بهینه‌سازی چند هدفه سبد سهام با رویکرد ترکیبی فازی- استوار (مورد مطالعه: بورس اوراق بهادار تهران)
فصلنامه بورس اوراق بهادار

فصلنامه بورس اوراق بهادار

مدل بهینه‌سازی چند هدفه سبد سهام با رویکرد ترکیبی فازی- استوار (مورد مطالعه: بورس اوراق بهادار تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان
مهسا جابری 1
عمران محمدی 2
امیر عزیزی 3
1 گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران
3 ، گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
10.22034/jse.2020.11352.1532
چکیده
تئوری نوین بهینه‌سازی سبد سهام مبتنی بر مدل بنیادین مارکویتز توسعه یافته است. مدل مارکویتز از لحاظ تئوری ویژگی‌های منحصر به فردی دارد، اما ضعف‌های آن مانع استفاده از این مدل در عمل می‌گردد. در این مدل عموما نرخ بازده بر اساس داده‌های گذشته استخراج می‌شود، لیکن دراین پژوهش از سناریوهای آتی مربوط به نرخ بازده، در فرآیند سرمایه‌گذاری استفاده شده است. مدل مارکویتز و تعمیم‌های بعدی آن چند هدفه هستند. در این پژوهش از توسعه‌ی رویکرد بهینه‌سازی چند هدفه زیمرمن که ساختاری فازی‌مانند دارد، استفاده شده است، همچنین جهت مواجهه با عدم قطعیت‌ها از رویکرد بهینه‌سازی استوار مبتنی بر حداقل رساندن تأسف استفاده شده است. به عبارتی دیگر ابتدا مدل زیمرمن را با در نظر گرفتن سناریوها و ترکیب‌های وزنی ویژه، برای دو هدف حداقل کردن ریسک و حداکثر کردن بازده، تشریح نموده و مرز پارتو را به دست آورده، سپس راه‌حل تأسف مینی‌ماکس را با توجه به سناریوها و ترکیب‌های وزنی لحاظ شده، محاسبه شده است. در نهایت، به منظور ارزیابی عملکرد و اعتبارسنجی مدل ارائه شده، اقدام به پیاده‌سازی آن در بورس اوراق بهادار تهران شده است.
کلیدواژه‌ها
سبد سهام
بهینه‌سازی چند هدفه
رویکرد فازی زیمرمن
تأسف مینی‌ماکس
استواری

عنوان مقاله English

Multi-Objective Portfolio Optimization Model with Fuzzy-Robust Hybrid Approach (As a case:Tehran Stock Exchange)

نویسندگان English

Mahsa Jaberi 1
Emran Mohammadi 2
Amir Azizi 3
1 Department of industrial engineering, Science and research branch, Islamic Azad University, Tehran, Iran
2 Department of industrial engineering, University of Science & Technology, Tehran, Iran
3 Department of industrial engineering, Science and research branch, Islamic Azad University, Tehran, Iran
چکیده English

The novel theory of the portfolio optimization has developed based on the fundamental Markowitz model. The Markowitz model is unique in terms of theory, but its weaknesses prevent the use of this model in practice. In this model, the return rate is extracted based on past data, but in this research, future scenarios related to return rates has been used in the investment process. The Markowitz model and its subsequent generalizations are multi-objective. In this study, from the development approach of Zimmermann's multi-objective optimization approach, that has fuzzy like structure, has been used. Also, for confront with the uncertainties from a robust optimization approach based on minimization of regret, has been used. In other words, first describe Zimmermann's model by considering the scenarios and specific weighting combinations, for the two purposes of minimizing risk and maximizing return, and then the minimax regret solution has been calculated with respect to the considered scenarios and weighted combinations. In the end of this paper, in order to evaluate the performance and validation of the proposed model, it has been implemented in Tehran Stock Exchange.

کلیدواژه‌ها English

portfolio
Multi-Objective optimization
Zimmermann fuzzy approach
Minimax regret
robustness
Bertsimas, D. and D. Pachamanova. (2008). “Robust multiperiod portfolio management in the presence of transaction costs”, Computers & Operations Research, 35(1): p. 3-17.
De, M., B.K. Mangaraj, and K.B. Das. (2018). “A fuzzy goal programming model in portfolio selection under competitive-cum-compensatory decision strategies”, Applied Soft Computing, 73: p. 635-646.
Ehrgott, M., J. Ide, and A. Schöbel. (2014). “Minmax robustness for multi-objective optimization problems”, European Journal of Operational Research, 239(1): p. 17-31.
Fliege, J. and R. Werner. (2014). “Robust multiobjective optimization & applications in portfolio optimization”, European Journal of Operational Research, 234(2): p. 422-433.
Gregory, C., K. Darby-Dowman, and G. Mitra. (2011). “Robust optimization and portfolio selection: The cost of robustness”, European Journal of Operational Research, 212(2): p. 417-428.
Huo, L., T.-H. Kim, and Y. Kim. (2012). “Robust estimation of covariance and its application to portfolio optimization”, Finance Research Letters, 9(3): p. 121-134.
Kim, J.H., W.C. Kim, and F.J. Fabozzi. (2013). “Composition of robust equity portfolios”, Finance Research Letters, 10(2): p. 72-81.
Kim, J.H., W.C. Kim, and F.J. Fabozzi. (2014). “Recent developments in robust portfolios with a worst-case approach”, Journal of Optimization Theory and Applications, 161(1): p. 103-121.
Kim, W.C., et al. (2013). “What do robust equity portfolio models really do?” Annals of Operations Research, 205(1): p. 141-168.
Kim, W.C., et al. (2014). “Robust portfolios that do not tilt factor exposure”, European Journal of Operational Research, 234(2): p. 411-421.
Kim, J.H., W.C. Kim, and F.J. Fabozzi. (2018). “Recent advancements in robust optimization for investment management”, Annals of Operations Research, 266(1-2): p. 183-198.
Kouvelis, P. and G. Yu. (2013). “Robust discrete optimization and its applications”, Vol. 14: Springer Science & Business Media.
Li, X., B. Shou, and Z. Qin. (2012). “An expected regret minimization portfolio selection model”, European Journal of Operational Research, 218(2): p. 484-492.
Liagkouras, K. and K. Metaxiotis. (2018). “Multi-period mean–variance fuzzy portfolio optimization model with transaction costs”, Engineering Applications of Artificial Intelligence, 67: p. 260-269.
Lim, A.E., J.G. Shanthikumar, and G.-Y. Vahn. (2012). “Robust portfolio choice with learning in the framework of regret: Single-period case”, Management Science, 58(9): p. 1732-1746.
Lim, M. (2012). “Genetic algorithms for portfolio selection problems minimum transaction lots”, European Journal of Operational Research, 185(1): p. 393-404.
Liu, Y.-J. and W.-G. Zhang. (2013). “Fuzzy portfolio optimization model under real constraints”, insurance: Mathematics and Economics, 53(3): p. 704-711.
Lwin, K.T., R. Qu, and B.L. MacCarthy. (2017). “Mean-VaR portfolio optimization: A nonparametric approach”, European Journal of Operational Research, 260(2): p. 751-766.
Maillet, B., S. Tokpavi, and B. Vaucher. (2015). “Global minimum variance portfolio optimisation under some model risk: A robust regression-based approach”, European Journal of Operational Research, 244(1): p. 289-299.
 Markowitz, H. (1952). "Portfolio selection", the journal of finance, 7(1): p. 77-91.
Markowitz, H.M. (1959). "Portfolio selection: Efficient diversification of investment", John Wiley & Sons, New York, USA, p. 344.
Pätäri, E., et al. (2018). "Comparison of the multicriteria decision-making methods for equity portfolio selection: The U.S. evidence", European Journal of Operational Research, 265(2): p. 655-672.
Xidonas, P. and Mavrotas, G, Hassapis, CH, Zopounidis, C. (2017). "Robust multiobjective portfolio optimization: A minimax regret approach", European Journal of Operational Research, 262: P.299–305
Zimmermann, H. L. (1978). "Fuzzy programming and linear programming with several objective functions", Fuzzy Sets and Systems, 1: p. 45-55.
فصلنامه بورس اوراق بهادار
دوره 15، شماره 59
پاییز 1401
صفحه 441-470