بهینه سازی و مدیریت فعال پابرجای سبد سرمایه گذاری با استفاده از الگوریتم کلونی زنبور عسل؛ مورد مطالعاتی: بورس اوراق بهادار تهران

مطابق نظریه مارکویتز، امکان پیش بینی بازار سرمایه در آینده وجود نداشته و سرمایه گذاران باید به منظور کنترل ریسک سرمایه گذاری، به تشکیل پرتفو بپردازند. در تحقیقات اخیر، توسعه های زیادی روی مدل اولیه پرتفوی مارکویتز از حیث مدلسازی و روش حل ایجاد کرده اند. از جمله اینکه از سنجه های ریسک طیفی همچون ریزش مورد انتظار و ارزش در معرض خطر برای سنجش ریسک استفاده می شود. همچنین، مدل های متنوع فازی، احتمالی و پابرجا برای در نظر گرفتن عدم قطعیت سنجش ریسک و بازدهی توسعه داده شده اند که خطای پیش بینی و ریسک رخداد بحران در خصوص پرتفو را کاهش می دهند. اما به جز تشکیل سبد بهینه سرمایه گذاری، نیاز است که مدل های پابرجا در خصوص مدیریت فعال سبد سرمایه گذاری نیز توسعه داده شود. در تحقیق حاضر، یک مدل تشکیل سبد پابرجا و یک مدل مدیریت فعال پابرجای سبد توسعه داده شده و به حل آن با استفاده از روش فراابتکاری کلونی زنبور عسل پرداخته شده است. بر اساس نتایج به دست آمده، روش پیشنهادی هم در مرحله تشکیل سبد بهینه و هم در مرحله مدیریت آن، از روش های کلاسیک، عملکرد بهتری نشان داده است.

Optimization and active management of Portfolio Using Aunt Colony Algorithm Considering Uncertainty and Robust Programming; Case: Tehran Stock Exchange

AbstractBased on Markowitz theory of portfolio optimization, capital market is not predictable by any methods and the risk can only be diversified through portfolio formation and optimization. Recent works made huge developments in the basic model from modeling and risk measures perspectives. Spectral risk measures such as expected shortfall and value at risk are being used frequently as risk measures. In addition, researchers tend to consider uncertainty in risk and return evaluation via fuzzy, stochastic and robust modeling. However, a matter that has been neglected in many researches is portfolio management under uncertainty conditions. This paper propose a method for robust modeling of portfolio optimization and management using expected shortfall as risk measure and Bertsimas modeling as robust programming. The proposed model solved with artificial bee colony algorithm and results show a better performance of proposed model compared to classic methods in both the optimal portfolio formation and its management phase.