بهینه‌سازی سبد سهام استوار با به‌کارگیری مدل‌های چند متغیره و امگا- ارزش در معرض ریسک شرطی بر پایه ملاک حداقل حداکثر پشیمانی

هدف: سرمایه‌گذاران و نهادهای مالی، تمایل دارند که در انتخاب سرمایه‌گذاری، از آینده و همچنین، نحوه عملکرد خود اطمینان نسبی داشته باشند؛ به ‌نحوی‌ که در موقعیت‌های عدم قطعیت (رونق و رکود بازارها) عملکردهای مناسبی انجام دهند. این پژوهش به‌دنبال یافتن سبد سهام بهینه استواری است که در شرایط مختلف بازار، بهترین عملکرد را داشته باشد و پشیمانی سرمایه‌گذار از انتخاب سبد سهام را به حداقل رساند. روش: به‌منظور به‌دست‌آوردن سبد سهام بهینه، از سناریوبندی وضعیت‌های مختلف بازار، بر اساس بازده روزانه شاخص کل بورس اوراق بهادار تهران و به‌کارگیری الگوریتم بهینه‌سازی توده ذرات و ملاک حداقل حداکثر پشیمانی استفاده شده است. همچنین در این پژوهش، توابع هدف چندمتغیره و امگا ارزش در معرض ریسک شرطی، به‌عنوان توابع برازش در بهینه‌سازی توده ذرات به‌کار گرفته شده است. از داده‌های 50 شرکت بورسی، طی سال‌های 1388 تا 1395، برای محاسبه سبد‌های سهام بهینه و داده‌های سال 1396 به‌عنوان خارج از نمونه، برای آزمون سبد‌های سهام به‌دست‌‌آمده استفاده شده است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که در بازه ماهانه، سبد‌های سهام بهینه استوار در مقایسه با سبد سهام معیار، نسبت اطلاعاتی بیشتر و خطای ردیابی کمتری دارند. نتیجه‌گیری: سناریوبندی بازار و به‌کارگیری ملاک حداقل حداکثر پشیمانی، عملکرد سبد‌های سهام بهینه استوار را بهبود می‌دهد. همچنین، نتیجه مقایسه مدل معیار میانگین نیم‌واریانس با تابع چندمتغیره و ضریب امگا ارزش در معرض ریسک شرطی برای بهینه‌سازی سبد سهام، نشان داد که تابع چندمتغیره و ضریب امگا ارزش در معرض ریسک شرطی به بهبود بیشتری در عملکرد سبد‌های سهام استوار منجر می‌شود.

robust portfolio optimization by applying multi-objective and omega-conditional value at risk models based on the mini-max regret criterion

objective: to produce a proper reaction when confronted with market uncertainties (booms and busts), before making any investment decisions, investors and financial institutions tend to obtain some level of assurance about the market’s future and also the market’s probable feedback on their performance in the future. this study seeks to identify optimized robust portfolios with the best performance in the face of market uncertainties than can minimize the investors’ regret about their portfolio selection.methods: to create optimal portfolios, in the study, scenarios pertaining to various market situations based on daily returns of the tehran stock exchange price index (tedpix) were designed, and the particle swarm optimization algorithm and minimax regret criterion were applied. this study also explored the application of multivariate objective functions and the omega conditional value at risk ratio as the fitting functions in particle mass optimization. to calculate optimal portfolios, the data from 50 companies on tehran stock exchange (tse) from 2009 to 2016 were analyzed. also, the data from the year 2017 were evaluated as out of sample data.results: research findings indicated optimized robust portfolios in monthly periods had higher information ratios and lower tracking errors than the benchmark portfolios.conclusion: making market scenarios and applying the minimax regret criterion improves the performance of optimized robust portfolios. additionally, compared with the semivariance benchmark model, applying the multiobjective function and omegaconditional value at risk ratio in portfolio optimization leads to improve performance of the robust portfolios.