طراحی پرتفوی هوشمند با استفاده از مدلهای سرمایه گذاری کمی

در چند دهه گذشته شناسایی متغیرهای حالت و پارامترهای یک مدل از روی داده های اندازه گیری شده، افزایش چشم‌گیری داشته است این رشد گسترده نیاز فزاینده به مدل‌های فراگیر و یکپارچه ایجاد کرده است. دستیابی به رشد مداوم و بلندمدت اقتصادی نیازمند تخصیص بهینه منابع می باشد و این مهم بدون استفاده از بازارهای مالی، به ویژه بازار سرمایه کارآمد امکان پذیر نیست لذا بهینه‌سازی پرتفوی و تخصیص ثروت بین دارایی‌های مختلف از جمله مهمترین مسایل در سرمایه‌گذاری بحساب می آید. در این پژوهش سعی شده است تا در جهت اجرای پرتفوی مالی هوشمند روش‌های موجود بهینه سازی را براساس عملکرد نسبت شارپ ارتقا داده و روش هوشمندی برای انجام معاملات براساس الگوریتم‌های مختلف ارایه گردد. برای این منظور، ابتدا یک مدل سرمایه‌گذاری کمی با استفاده از الگوریتم مومنتوم و مدل سرمایه گذاری بلندمدت در یک افق زمانی 6 ساله با استفاده از داده‌های ماهانه سازمان بورس اوراق بهادار ایجاد نموده و سپس مجموعه ای از مدل‌های هوشمند (توابع کلی ، میانگین کلی و الگوریتم کلی با فیلترکالمن) ایجاد می شود که میزان سرمایه را با استفاده از الگوهای هوشمند برای به حداکثر رسانیدن بازده و جلوگیری از سرمایه گذاری در سهام های با بازده منفی محاسبه نموده و تحصیص بهینه سرمایه دهد که ساختار پیشنهادی عملکرد بهتری نسبت به سایر الگوریتم های مرسوم داشته و می توان آن را جایگزین این روش ها کرد و به نتایج مطلوب تر دست یافت نهایتاً نتایج نشان دهنده کارایی و بهینه بودن مدل پیشنهادی می باشد.

Smart portfolio using quantitative investment models

In the past few decades, the identification of state variables and parameters of a model from measured data has increased dramatically. This widespread growth has created a growing need for integrated models. Achieving sustained and longterm economic growth requires optimal resource allocation, and this is not possible without the use of financial markets, especially efficient capital markets, so portfolio optimization and wealth allocation between different assets are among the most important issues in investing. In this research, in order to implement smart financial portfolio, it is tried to improve the existing optimization methods based on Sharp Ratio performance and to present an intelligent method for trading based on different algorithms. For this purpose, first, create a quantitative investment model using momentum algorithm and longterm investment model over a 6year time horizon using monthly stock exchange data and then a set of smart models (general functions, general average and The general algorithm (developed by Kalman filter), which calculates the amount of capital using smart patterns to maximize return and avert negative return on equity investments and optimize capital investing to make the proposed structure perform better than other algorithms. Conventional and can fit and alternative approaches to achieve better results finally, the results indicate that the proposed model is effective and efficient.