ارائۀ مدل بهینه سازی ترکیبی سبد پروژه و سهام با رویکرد میانگین - نیم واریانس- نیم آنتروپی

یکی از روش‌های متنوع‌ سازی و کاهش ریسک سبد سرمایه‌گذاری، افزودن طیف مختلفی از دارایی‌ها به آن است. تا به امروز، مدل‌ های ریاضی بسیاری با هدف بیشینه‌سازی بازدهی و کمینه‌سازی ریسک ارائه شده‌اند که تنها مبتنی بر سرمایه‌گذاری روی سهام بازار سرمایه‌اند. در این مطالعه، سرمایه‌گذاری در پروژه‌ها نیز به عنوان یک نوع دارایی در کنار سهام بازار سرمایه مدنظر قرار گرفته و دربارۀ آن مطالعه شده است. مسئلۀ انتخاب ترکیبی پروژه و سهام از‌طریق تخصیص وزن بهینه به آنها، یکی از چالش‌های پیش روی سرمایه‌گذاران خواهد بود. در پژوهش حاضر، ابتدا تلاش شده است تا فضای تحلیل پروژه‌ها به تحلیل سهام نزدیک‌تر‌ و سپس مدلی با رویکرد میانگین - نیم‌واریانس - نیم‌آنتروپی در فضای احتمالی توسعه داده شود که به‌منظور اعتبارسنجی آن، یک آزمایش عددی شامل 3 پروژه و 5 سهم از بازار سرمایه، به کمک سه الگوریتم‌ فراابتکاری ژنتیک، رقابت استعماری و گرگ‌های خاکستری حل شده‌اند. دستاورد اصلی این پژوهش، ارائۀ مدلی برای توصیه به سرمایه‌گذاران دربارۀ سبدهای سرمایه‌گذاری با سطوح ریسک مختلف است. نتایج حاصل از آزمایش عددی حاصل نشان می‌دهد‌ که الگوریتم رقابت استعماری در مقایسه با دو الگوریتم‌های ژنتیک و گرگ‌های خاکستری، پاسخ‌های بهتری ارائه کرده است. روش پیشنهادی می‏تواند توسط طیف وسیعی از سرمایه‌گذاران و مدیران واحدهای مختلف سرمایه‌گذاری در موسسات مختلف، به کار ‌رود.

a mixed project-and-stock portfolio optimization model with mean-semivariance-semientropy approach

purpose: diversifying investment portfolios by incorporating a variety of assets is a well-established strategy for mitigating risk and enhancing returns. traditionally, mathematical models for portfolio optimization have primarily focused on stock investments within the capital market. however, this study extends the scope of portfolio optimization to encompass both project and stock investments. this is a critical advancement as investors increasingly grapple with allocating budgets across these two asset types simultaneously. therefore, this paper proposes a novel mixed portfolio optimization model that uses the mean-semivariance-semientropy approach. by incorporating project investments alongside traditional stocks, the proposed model offers more efficient portfolios that can lead to improved return/risk ratios for investors seeking to optimize their overall financial strategy.design/methodology/approach: an attempt has been made to bridge the gap between the distinct spaces of projects and stocks to facilitate their joint analysis. subsequently, a mean-semivariance-semientropy approach has been employed to develop a model within a probabilistic framework. for validating this model, a numerical experiment involving three projects and five stocks from the capital market has been tackled, considering the preferences of an investor. finally, the optimization problem has been solved using three metaheuristic algorithms: genetic algorithm (ga), imperialist competitive algorithm (ica), and gray wolfs optimization (gwo).findings: the results obtained by solving the model using the above-mentioned metaheuristic algorithms demonstrated that despite the high speed of the gwo algorithm, the solutions provided by the gwo algorithm were not satisfactory compared to the ga and ica algorithms. on the other hand, the acceptable speed with nondominated solutions was the advantage of the ica algorithm over the ga algorithm. the evaluation of various performance metrics also revealed that the ica algorithm outperformed the ga and gwo algorithms in this problem. also, the inclusion of semi-entropy as a risk assessment metric led to an improvement in the return on the investment portfolios.research limitations/implications: incorporating investor constraints and preferences, such as cardinality and boundary constraints, into the model forms an np-hard problem.