انتخاب سبد سهام چندهدفه تحت شرایط عدم قطعیت عمیق مبتنی بر سناریو (مطالعه موردی: بازار سرمایه ایران)

دعائی, میثم

doi:10.22034/jse.2026.12558.2354

انتخاب سبد سهام چندهدفه تحت شرایط عدم قطعیت عمیق مبتنی بر سناریو (مطالعه موردی: بازار سرمایه ایران)

نوع مقاله : مقاله پژوهشی

نویسنده

میثم دعائی

گروه مالی، واحد اسفراین، دانشگاه آزاد اسلامی، اسفراین، ایران.

10.22034/jse.2026.12558.2354

چکیده

پژوهش حاضر با هدف ارائه یک مدل بهینه‌سازی سبد سهام چند هدفه در بازار سرمایه ایران تحت شرایط عدم قطعیت عمیق انجام شده است. این تحقیق از روش‌های ترکیبی کمی و کیفی استفاده کرده و در بخش کمی با استفاده از مدل‌سازی ریاضی و شبیه‌سازی، سبد سهام را بر اساس سه هدف بازده، ریسک و نقدشوندگی بهینه‌سازی کرده است. رویکرد دو مرحله‌ای مورد استفاده، تصمیم‌گیری اولیه و سپس تطبیق آن با سناریوهای واقعی بازار را ممکن می‌سازد. داده‌ها با شبیه‌سازی مونت‌کارلو تحلیل و از روش برنامه‌ریزی آرمانی تعمیم‌یافته برای بهینه‌سازی استفاده شده است. این مدل به سرمایه‌گذاران کمک می‌کند تا سبد سهامی متناسب با شرایط عدم قطعیت انتخاب کنند. در مجموع، یافته‌های این پژوهش نشان می‌دهد که رویکرد چند هدفه مبتنی بر سناریو در انتخاب سبد سهام، به ویژه در شرایط عدم قطعیت عمیق، می‌تواند ابزاری مؤثر برای سرمایه‌گذاران و مدیران سبد سرمایه‌گذاری باشد. این مدل با ارائه یک چهارچوب جامع و انعطاف‌پذیر، امکان بهبود مدیریت ریسک و بهینه‌سازی عملکرد سبد را فراهم می‌آورد. با این حال، اثربخشی این مدل به دقت در تعیین سناریوها، وزن‌های اهمیت و سطوح هدف وابسته است و نیاز به بررسی و به‌روزرسانی مداوم دارد. این پژوهش به بهبود مدیریت ریسک، پیش‌بینی شرایط بازار و استراتژی‌های سرمایه‌گذاری کمک می‌کند. برای سرمایه‌گذاران و مدیران دارایی، امکان ساخت سبدهای متناسب با شرایط عدم قطعیت فراهم می‌شود. تحلیل‌گران مالی می‌توانند از آن برای ارزیابی ریسک در بازارهای نوسانی استفاده کنند و دانشگاه‌ها و سیاستگذاران از آن برای توسعه دانش و بهبود زیرساخت‌های بازار بهره می‌برند.

کلیدواژه‌ها

سبد سهام چندهدفه

عدم قطعیت بازار

مدیریت ریسک

موضوعات

بورس اوراق بهادار

عنوان مقاله English

Multi-objective portfolio selection under deep uncertainty based on scenario approach (case study: Iranian capital market)

نویسنده English

meysam doaei

Department of Finance, Esf.C., Islamic Azad University, Esfarayen, Iran.

چکیده English

This study aims to present an optimization model for a multi-objective stock portfolio in the Iranian capital market under conditions of deep uncertainty. The research adopts a descriptive-analytical approach to optimize stock portfolio selection in the Iranian capital market under deep uncertainty. This study employs a mixed-methods approach, combining both quantitative and qualitative methods. In the quantitative section, mathematical modeling and simulation techniques are used to optimize the portfolio based on three objectives: return, risk and liquidity. The two-stage approach employed allows for initial decision-making followed by alignment with real market scenarios. Data is analyzed using Monte Carlo simulation and a generalized goal programming method is utilized for optimization. This model assists investors in selecting a portfolio that is suitable under conditions of uncertainty. Overall, the findings of this study indicate that the scenario-based multi-objective approach in stock portfolio selection, especially under deep uncertainty, can be an effective tool for investors and portfolio managers. By providing a comprehensive and flexible framework, this model facilitates improved risk management and portfolio performance optimization. However, the effectiveness of this model is contingent on the accuracy of scenario determination.

کلیدواژه‌ها English

Market uncertainty

Multi-objective stock portfolio

Risk management

Abdullah, A. M; Tuyon, J; Abdullah, M; Keliwon, K. B; & Abdullah, H. (2025). Investment Strategies in Turbulent Times: A Comparative Analysis of Developed and Emerging Markets. The International Trade Journal, 40(1), 1-31. 10.1080/08853908.2025.2453137

Asgari, S. D; Mohammadi, E; Makui, A; & Jafari, M. (2024). Data-driven robust optimization based on position-regulated support vector clustering. Journal of Computational Science, 76, 102210.

https://doi.org/10.1016/j.jocs.2024.102210

Bai, L; Yang, M; Pan, T; & Sun, Y. (2025). Project portfolio selection and scheduling incorporating dynamic synergy. Kybernetes, 54(2), 996-1026.

https://doi.org/10.1108/K-04-2023-0694

Bekaert, G; & Harvey, C. R. (1997). Emerging equity market volatility. Journal of Financial economics, 43(1), 29-77.

https://doi.org/10.1016/S0304-405X(96)00889-6

Chaiwuttisak, P. (2023). Multi-Criteria Decision-Making for Investment Portfolio Selection in Thailand’s Stock Market. Modern Management Based on Big Data, 188-196. https://ebooks.iospress.nl/doi/10.3233/FAIA230184

Doaei, M; Dehnad, K. & Dehnad, M. A hybrid approach based on multi-criteria decision making and data-driven optimization in solving portfolio selection problem. OPSEARCH 62, 1–36 (2025). https://doi.org/10.1007/s12597-024-00776-y

Fabozzi, F. J; Markowitz, H. M; & Gupta, F. (2011). Portfolio selection. The Theory and Practice of Investment Management, 45-78. https://books.google.com/books?hl=en&lr=&id=COQoNN7mAnsC&oi=fnd&pg=PR13&dq=Fabozzi,+F.+J;+Markowitz,+H.+M;+%26+Gupta,+F.+(2011).+Portfolio+selection.+The+Theory+and+Practice+of+Investment+Management,+45-78.&ots=WcKHyZ7oJV&sig=ilRd6bHKLSt09MYCi6bp3J8VbSI#v=onepage&q&f=false

Ghallabi, F; & Ghorbel, A. (2025). Commodity sectors and emerging stock markets: is there any risk transmission? Afro-Asian Journal of Finance and Accounting, 15(1), 59-76. https://doi.org/10.1504/AAJFA.2025.143507

Ghorbani, H. (2019). Mahalanobis distance and its application for detecting multivariate outliers. Facta Universitatis, Series: Mathematics and Informatics, 583-595.

https://casopisi.junis.ni.ac.rs/index.php/FUMathInf/article/view/5028

Goyal, P; & Soni, P. (2025). Stock markets volatility during crises periods: a bibliometric analysis. Qualitative Research in Financial Markets, 17(1), 41-65. https://doi.org/10.1108/QRFM-06-2023-0143

Kandakoglu, M; Walther, G; & Ben Amor, S. (2024). The use of multi-criteria decision-making methods in project portfolio selection: a literature review and future research directions. Annals of Operations Research, 332(1), 807-830. https://link.springer.com/article/10.1007/s10479-023-05564-3

Lempert, R. J; Popper, S. W; & Bankes, S. C. (2003). Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis. RAND Corporation.

https://books.google.com/books?hl=en&lr=&id=F2SzOwE0_bIC&oi=fnd&pg=PP1&dq=Lempert,+R.+J;+Popper,+S.+W;+%26+Bankes,+S.+C.+(2003).+Shaping+the+Next+One+Hundred+Years:+New+Methods+for+Quantitative,+Long-Term+Policy+Analysis.+RAND+Corporation.&ots=WWBUZv4kF4&sig=DiA523w1327tbLh3XOyd-1Jc58w#v=onepage&q&f=false

Marchau, V. A. W. J; Walker, W. E; Bloemen, P. J. T. M; & Popper, S. W. (Eds.). (2019). Decision Making under Deep Uncertainty: From Theory to Practice. Springer.

https://library.oapen.org/handle/20.500.12657/22900

Markowitz, H. M. (1991). Foundations of portfolio theory. The journal of finance, 46(2), 469-477.

https://doi.org/10.1111/j.1540-6261.1991.tb02669.xDigital Object Identifier (DOI)

Rahimian, H; & Mehrotra, S. (2022). Frameworks and results in distributionally robust optimization. Open Journal of Mathematical Optimization, 3, 1-85. https://ojmo.centre-mersenne.org/articles/OJMO_2022__3__A4_0/

Reinhart, C. M; & Rogoff, R. (2009). This time is different: Eight centuries of financial folly. Princeton University Press.

https://www.researchgate.net/publication/227486731_This_Time_Is_Different_Eight_Centuries_of_Financial_Folly

Rockafellar, R. T; & Uryasev, S. (2002). Conditional value-at-risk for general loss distributions. Journal of banking & finance, 26(7), 1443-1471.

https://doi.org/10.1016/S0378-4266(02)00271-6

Roijers, D. M; Whiteson, S; Brachman, R; & Stone, P. (2017). Multi-objective decision making. San Rafael.

https://link.springer.com/book/10.1007/978-3-031-01576-2

Roy, A. D. (1952). Safety first and the holding of assets. Econometrica: Journal of the econometric society, 431-449. https://doi.org/10.2307/1907413

Sharif, M. , Shahnazari-Shahrezaei, P. and Doaei, M. (2025). A Two-Stage Stochastic Optimization Model for Portfolio Selection Under Decision-Making Uncertainties. Journal of Mathematics and Modeling in Finance. https://jmmf.atu.ac.ir/article_19816.html

Stearns, P. N. (2020). The industrial revolution in world history. Routledge. https://www.taylorfrancis.com/books/mono/10.4324/9781003050186/industrial-revolution-world-history-peter-stearns

Tabash, M. I; Chalissery, N; Nishad, T. M; & Al-Absy, M. S. M. (2024). Market Shocks and Stock Volatility: Evidence from Emerging and Developed Markets. International Journal of Financial Studies, 12(1). https://doi.org/10.3390/ijfs12010002

Tanino, T; Tanaka, T; & Inuiguchi, M. (2013). Multi-objective programming and goal programming: theory and applications. Springer Science & Business Media.

https://books.google.com/books?hl=en&lr=&id=unMKBwAAQBAJ&oi=fnd&pg=PA2&dq=Tanino,+T;+Tanaka,+T;+%26+Inuiguchi,+M.+(2013).+Multi-objective+programming+and+goal+programming:+theory+and+applications.+Springer+Science+%26+Business+Media.&ots=GjOghlB-c2&sig=uTGOyWG1uMwq5HbHEkgqXuuxaPs#v=onepage&q=Tanino%2C%20T.%2C%20Tanaka%2C%20T.%2C%20%26%20Inuiguchi%2C%20M.%20(2013).%20Multi-objective%20programming%20and%20goal%20programming%3A%20theory%20and%20applications.%20Springer%20Science%20%26%20Business%20Media.&f=false

Valadkhani, A; & O’Mahony, B. (2025). Market Fear and Emerging Market Returns: Analyzing the Impacts of VIX and Dollar Index. Annals of Financial Economics, 2450015. https://doi.org/10.1142/S2010495224500155

Yi, L; Li, T; & Zhang, T. (2021). Optimal investment selection of regional integrated energy system under multiple strategic objectives portfolio. Energy, 218, 119409. https://doi.org/10.1016/j.energy.2020.119409

Zanjirdar, M. (2020). Overview of portfolio optimization models. Advances in mathematical finance and applications, 5(4), 419-435.

https://sanad.iau.ir/Journal/amfa/Article/915099