ارائه الگوی بهینه‌سازی سبد سهام بر اساس ترجیحات رفتاری و حافظه سرمایه‌گذار

هدف: با توجه به پیشرفت بازارهای مالی، مقوله بهینه‌سازی سبد دارایی به یکی از موضوعات مهم مطرح شده در اقتصاد مالی تبدیل شده است؛ به‌گونه‌ای که تشکیل سبد دارایی به‌عنوان یک تصمیم‌گیری حساس برای سرمایه‌گذاران شناخته می‌شود و از این رو، شناسایی عوامل موثر بر انتخاب سبد دارایی با نرخ بازده بالا و ریسک کنترل شده، از موضوعاتی است که توجه محققان را به خود جلب کرده است. تاکنون الگوهای بسیاری برای حل مسئله مدیریت سبد سهام و بهینه‌سازی پرتفوی ارائه شده که هریک با توجه به وضعیت و محدودیت‌هایی طراحی شده است. بهینه‌سازی عبارت است از به حداقل‌رسانی (حداکثررسانی) یک تابع هدف، متشکل از چندین متغیر تصمیم که محدودیت‌های عملکردی را برآورده کند. از طرفی سرمایه‌گذاری، فرایندی در وضعیت‌عدم اطمینان است. از آنجایی که سرمایه‌گذاری یک تصمیم فردی است و هر انسانی بر اساس روحیه و ویژگی‌های فردی خود آن را اتخاذ می‌کند، معیارهای مختلفی دارد. با توجه به رفتار غیرخطی سرمایه‌گذاران، هدف اصلی پژوهش حاضر، ارائه الگوی بهینه‌سازی سبد سهام، بر اساس ترجیح رفتاری و حافظه سرمایه‌گذار است؛ به‌گونه‌ای که پرتفوی حاصل، ضمن بیشینه نمودن بازده، ریسک سرمایه‌گذاری را کمتر کند.روش: معتقدیم مسئله بهینه‌سازی سبد سهام، یک مسئله چندهدفه است. جامعه مطالعاتی پژوهش حاضر، شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است. دوره زمانی پژوهش، سال 1400 در نظر گرفته شد. در پژوهش حاضر، از الگوریتم فراابتکاری ژنتیک جهت بهینه‌سازی سبد سهام استفاده شد؛ زیرا الگوریتم ژنتیک از جمله تئوری‌های بهینه‌سازی است که می‌تواند با درنظر گرفتن سطوح متفاوت ریسک، مسئله بهینه‌سازی سبد سهام را با موفقیت حل کند. در این پژوهش با استفاده از الگوریتم نام برده، به بهینه‌سازی سبد سهام تحت دو معیار ترجیحات رفتاری و حافظه سرمایه‌گذار پرداخته شد و پس از آن، به‌منظور انتخاب موثرترین معیار در بهینه‌سازی سبد سهام، مدل‌های یادشده دوبه‌دو مقایسه شدند. در انتها، ضریب تاثیر هر یک از روش‌های استفاده شده در پژوهش، روی جواب نهایی بررسی شد.یافته‌ها: نتایج مقایسه الگوی بهینه‌سازی تحت دو معیار حافظه سرمایه‌گذار و ترجیحات رفتاری، نشان‌دهنده آن است که حافظه سرمایه‌گذار در مقایسه با ترجیحات رفتاری، معیار مناسب‌تری برای بهینه‌سازی سبد سهام است. در اجرای مدل با بازدهی بازار برای دو معیار ترجیحات رفتاری و حافظه سرمایه‌گذار، نتایج به‌دست‌آمده گویای مناسب‌بودن حافظه سرمایه‌گذار با بازده بازار در بهینه‌سازی سبد سهام است.نتیجه‌گیری: هدف اصلی در مدیریت سبد سهام، کمک به سرمایه‌گذار در چیدمان سبد بهینه با توجه به ترجیحات، علایق وی، تجربه‌های گذشته سرمایه‌گذاری و محیط تصمیم است؛ از این رو سرمایه‌گذار همواره به‌دنبال تشکیل سبدی بهینه است تا مطلوبیت وی را افزایش دهد. با توجه به نتایج به‌دست‌آمده در این پژوهش، می‌توان گفت سبدهایی که با استفاده از اطلاعات حافظه سرمایه‌گذار و متغیر بازده بازار ایجاد شده‌اند، در مقایسه با ترجیحات رفتاری و متغیر بازده بازار، از کارایی بیشتری برخوردارند. در مقایسه دوبه‌دو سبدهای ایجاد شده با معیار حافظه سرمایه‌گذار و ترجیحات رفتاری، معیار حافظه سرمایه‌گذار نیز معیار مناسب‌تری برای بهینه‌سازی سبد سهام شناخته شد.

modeling portfolio optimization based on behavioral preferences and investor’s memory

objectivethe optimization of asset portfolios, taking into account market advancements, has emerged as a pivotal subject in financial economics. constructing asset portfolios is acknowledged as a critical decision for investors. consequently, researchers focus on identifying factors that influence the selection of portfolios with high returns and controlled risk. portfolio optimization, a cornerstone of financial economics, has gained prominence in the face of ever-evolving market dynamics. investors’ decision-making plays a pivotal role in portfolio construction, prompting researchers to explore factors that influence the selection of portfolios with high returns and controlled risk. numerous models have addressed the optimization problem of stock portfolio management, each tailored to specific conditions and constraints. this research focuses on developing a multi-objective optimization model that incorporates investor memory and behavioral preferences. the literature on portfolio optimization is vast and diverse, encompassing various approaches and methodologies. traditional optimization models, such as markowitz’s mean-variance model, aim to maximize expected returns while minimizing risk. however, these models often fail to capture the complexities of real-world investment decisions, which are often influenced by behavioral factors. investor memory refers to the tendency of investors to base their current investment decisions on past experiences. this can lead to biases and suboptimal outcomes. behavioral preferences, on the other hand, encompass a range of psychological factors that influence investor behavior, such as risk aversion, overconfidence, and herding. methodswe perceive stock portfolio optimization as a multi-objective challenge, considering two primary criteria. the first criterion involves investor memory, which encompasses utilizing historical price data and market trends to anticipate future performance. the second criterion pertains to behavioral preferences, which involves integrating investor risk aversion, overconfidence, and herding behavior into the model. we employ a genetic algorithm (ga) to optimize portfolios under both criteria. ga is a robust optimization technique that can effectively handle complex problems with multiple constraints. the study population comprises companies listed on the tehran stock exchange for the year 2021. resultsthe achieved results suggest that investor memory serves as a more suitable criterion for optimal portfolio construction compared to behavioral preferences because investor memory incorporates market data and trends, providing a more objective basis for decision-making. additionally, incorporating market return alongside investor memory data yielded superior results than using behavioral preferences with market return. this indicates that the combination of investor memory and market data can lead to more efficient and profitable portfolios. pairwise comparisons of portfolios created using investor memory and behavioral preference criteria revealed that investor memory consistently outperformed behavioral preferences across different risk levels. this finding highlights the importance of considering investor memory when constructing optimal stock portfolios.