دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

تحلیل ویژگی‌های پرتفوی بهینه در شرکت‌های با اندازه متفاوت: شواهدی از مدل PSO در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان
زینب قلی پور سوته 1
رضا غلامی جمکرانی 2
سید کاظم چاووشی 3
مژگان صفا 4
1 دانشجوی دکتری مهندسی مالی، گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
2 دانشیار، گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران،
3 دانشیار، گروه مدیریت مالی، واحد علوم اقتصادی، دانشگا ه خوارزمی، تهران، ایران.
4 دانشیار، گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
10.22034/jik.2025.78543.4761
چکیده
هدف این مقاله، تحلیل ویژگی‌های ساختاری پرتفوی بهینه با تمرکز بر نقش اندازه شرکت‌ها در ترکیب دارایی‌هاست. در این راستا، از نتایج حاصل از یک مدل بهینه‌سازی پرتفوی بر پایه الگوریتم فراابتکاری ازدحام ذرات (PSO) استفاده شده است. مدل مذکور با در نظر گرفتن دو متغیر کلیدی، یعنی اندازه شرکت و ریسک سیستمی، طراحی شده و داده‌های آن شامل اطلاعات ۲۵ شرکت منتخب بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۰ تا ۱۴۰۲ می‌باشد. انتخاب شرکت‌ها از طریق روش نمونه‌گیری حذف سیستماتیک انجام گرفته است.
یافته‌های پژوهش نشان می‌دهد که ساختار پرتفوی پیشنهادی متأثر از اندازه شرکت‌ها بوده و گرایش مدل به تخصیص وزن بیشتر به شرکت‌های بزرگ‌تر و کم‌ریسک‌تر قابل توجه است. این نتایج حاکی از آن است که شرکت‌های بزرگ در شرایط نوسان‌های بازار و ریسک سیستمی، نقش تثبیت‌کننده‌تری در ترکیب سبد دارند. تحلیل ارائه‌شده می‌تواند به درک عمیق‌تر از عملکرد الگوریتم‌های فراابتکاری در تصمیم‌گیری‌های مالی کمک نماید و به‌عنوان مبنایی برای بهبود سیاست‌های تخصیص دارایی و طراحی پرتفوی در بازارهای نوظهور مانند ایران مورد استفاده قرار گیرد.

عنوان مقاله English

Analyzing the Optimal Portfolio Structure across Firms of Different Sizes: Evidence from the PSO Model in the Tehran Stock Exchange

نویسندگان English

Zeinab Gholipour Souteh 1
Reza Qolami Jamkarani 2
Seyyed Kazem Chavoshi 3
Mojgan Safa 4
1 PhD Student in Financial Engineering, Department of Finance and Accounting, Qom Branch, Islamic Azad University, Qom, Iran
2 Associate Professor, Department of Finance and Accounting, Qom Branch, Islamic Azad University, Qom, Iran
3 Associate Professor, Faculty of Management, Kharazmi University, Tehran, Iran
4 Associate Professor, Department of Finance and Accounting, Qom Branch, Islamic Azad University, Qom, Iran
چکیده English

The aim of this study is to analyze the structural characteristics of the optimal portfolio, with a specific focus on the role of firm size in asset allocation. To this end, we utilize the outcomes of a portfolio optimization model based on the Particle Swarm Optimization (PSO) metaheuristic algorithm. The model incorporates two key variables—firm size and systemic risk—and is applied to data from 25 selected companies listed on the Tehran Stock Exchange over the period 2011 to 2023. Companies were selected using a systematic elimination sampling method.
The findings reveal that the proposed portfolio structure is significantly influenced by firm size, with the model tending to allocate greater weight to larger and less risky firms. These results indicate that larger companies play a more stabilizing role in portfolio composition under conditions of market volatility and systemic risk. The presented analysis contributes to a deeper understanding of the performance of metaheuristic algorithms in financial decision-making and offers a foundation for improving asset allocation policies and portfolio design in emerging markets such as Iran.

  • امیری، میثم؛ ابراهیمی سروعلیا، محمدحسن؛ هاشمی، هما (1399). بررسی عملکرد الگوریتم GRASP درانتخاب پرتفوی بهینه ( با لحاظ محدودیت کاردینالیتی ). مجله اقتصاد مالی، دوره 14، شماره 51، صص147-172.
  • حاتمی، ل.، محمدی، س.، و عسگری، ن. (1400). کاربرد الگوریتم‌های فراابتکاری در بهینه‌سازی پرتفوی با در نظر گرفتن ریسک سیستماتیک. فصلنامه مدیریت مالی و سرمایه‌گذاری، 9(3)، 45–62
  • نوربخش، ح.، طاهری، م.، و کریمی، ع. (1399). بهینه‌سازی سبد سرمایه‌گذاری با استفاده از الگوریتم PSO و بررسی عملکرد آن در مقایسه با الگوریتم ژنتیک. پژوهش‌نامه مهندسی مالی و مدیریت سرمایه‌گذاری، 6(2)، 27–44

 

  • Acharya, V. V., Pedersen, L. H., Philippon, T., & Richardson, M. (2010). Measuring systemic risk. Federal Reserve Bank of Cleveland, Working Paper No. 1002.
  • Adrian, T., & Brunnermeier, M. K. (2016). CoVaR. American Economic Review, 106(7), 1705–1741.
  • Amiri, M., Ebrahimi Sarouolia, M. H., & Hashemi, H. (2020). Evaluating the performance of the GRASP algorithm in optimal portfolio selection (considering cardinality constraints). Financial Economics, 14(51), 147–172.
  • Banz, R. (1981). The relationship between return and market value of common stocks. Journal of Financial Economics, 9(1), 3–18.
  • Brownlees, C. T., & Engle, R. F. (2017). SRISK: A conditional capital shortfall measure of systemic risk. The Review of Financial Studies, 30(1), 48–79.
  • Fama, E. F., & French, K. R. (1992). The cross-section of expected stock returns. Journal of Finance, 47(2), 427–465.
  • Gilli, M., & Schumann, E. (2010). Heuristic optimisation in financial modelling. Annals of Operations Research, 193(1), 129–158.
  • Hatami, L., Mohammadi, S., & Asgari, N. (2021). Application of metaheuristic algorithms in portfolio optimization considering systematic risk. Financial Management and Investment Quarterly, 9(3), 45–62.
  • Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks, 4, 1942–1948.
  • Markowitz, H. M. (1952). "Portfolio Selection." Journal of Finance, 7(1), 77–91.
  • Noorbakhsh, H., Taheri, M., & Karimi, A. (2020). Portfolio optimization using particle swarm optimization (PSO) algorithm and performance comparison with genetic algorithm. Journal of Financial Engineering and Investment Management, 6(2), 27–44.
  • Thakur, R. M., & Hens, T. (2013). Multi-objective portfolio optimization using particle swarm optimization algorithm. International Journal of Economics and Finance, 5(12), 1–12.
  • Zhang, W., Xu, Y., & Wang, S. (2015). Robust portfolio optimization using evolutionary algorithms. Expert Systems with Applications, 42(8), 3856–3864.