بهینه‌سازی سبد سهام در سطح صنایع همراه با در نظر گرفتن محدودیت‌ها در عمل: میزان نقدشوندگی، هزینه معاملات، ضریب گردش سبد و خطای تعقیب

هدف: هدف اصلی این پژوهش، بهینه‌سازی سبد سهام در سطح صنایع برای یک شرکت سرمایه‌گذاری در عمل با در نظر گرفتن برخی محدودیت‌ها (میزان نقدشوندگی هر صنعت در یک ماه، هزینه معاملات، ضریب گردش سبد و خطای تعقیب) است.روش: ابتدا آزمون فرضیه پژوهش انجام شد. در مرحله اول، بهینه‌سازی بدون اعمال محدودیت‌ها و سپس بهینه‌سازی با اعمال همه محدودیت‌ها به‌جز خطای تعقیب و در مرحله سوم بهینه‌سازی با اعمال همه محدودیت‌ها اجرا شد.یافته‌ها: آزمون فرضیه نشان داد که بهینه‌سازی سبد نسبت به ساخت سبد تصادفی، نسبت شارپ بالاتری را نتیجه می‌دهد و از نظر آماری معنادار است. یافته‌های مرحله اول نشان داد که این شرکت از مرز کارا فاصله دارد و برای هدف‌گذاری حداکثرسازی بازده، حداقل‌سازی ریسک و حداکثر‌سازی نسبت شارپ وزن‌های صنایع باید تغییر کند (پیشنهاد می‌شود که وزن صنعت قند‌و‌‌شکر و دارویی بیشتر از صنایع دیگر شود). یافته‌های مرحله دوم نشان داد که این شرکت باز هم از مرز کارا فاصله دارد و مرز کارا کوچک‎تر شده و به‌سمت پایین و راست انتقال یافته است (پیشنهاد می‌شود که وزن صنعت قند‌و‌شکر و دارویی بیشتر از صنایع دیگر شود). در نهایت، یافته‌های مرحله سوم نشان داد که این شرکت باز هم از مرز کارا فاصله دارد و مرز کارا به‌طور مجدد کوچک‎تر شده و به‌سمت پایین و راست انتقال یافته است (پیشنهاد می‌شود که وزن صنعت استخراج کانه‌های فلزی و شیمیایی بیشتر از صنایع دیگر شود).نتیجه‌گیری: اعمال محدودیت‌های دنیای واقعی، نتایج متفاوتی را رقم می‌زند.

Stock Portfolios Optimization at the Industry Level Regarding Constraints in Practice: Liquidity, Transaction Cost, Turnover & Tracking-error

Objective: This study seeks to optimize stock portfolios at the industry level for an intended investment company by considering some limitations (the amount of liquidity of each industry in a month, transaction costs, portfolio turnover, and tracking error) in practice.Methods: The research hypothesis was initially tested. In the first stage, the optimization was implemented without considering the restrictions. Then, the optimization was implemented by imposing all the constraints except the tracking error. In the third stage, the optimization was implemented by placing all the constraints.Results: The obtained results proved portfolio optimization statistically significant and indicated that it had a higher Sharpe ratio than the construction of a random portfolio. The first step of this study showed that the intended company was far from the efficient frontier. Also, to maximize returns, minimize risks, and maximize the Sharpe ratio, the weights of the industries were needed to be changed (the weight of the sugar and pharmaceutical industries are recommended to be increased). The second phase approved that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the sugar and pharmaceutical industry are recommended to be increased more than the weight of others). The third step showed that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the metal and chemical industry are required to be higher than others).Conclusion: Applying realworld constraints may end in different consequences.