دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

بررسی استراتژی های مومنتوم مقیاس بندی شده پویا در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدرضا قاسمی نژاد 1
کامران پاکیزه 2
1 کارشناسی ارشد، گروه مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران)
2 دانشیار، گروه مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران
10.22034/jik.2025.78001.4609
چکیده
این پژوهش به بررسی عملکرد استراتژی‌های مومنتوم مقیاس‌بندی‌شده پویا در بورس اوراق بهادار تهران با استفاده از داده‌های ۱۰۰ سهم که بخش عمده‌ای از ارزش بازار را در بازه فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ تشکیل می‌دهند، می‌پردازد. روش مومنتوم مقیاس‌بندی‌شده پویا به استراتژی مومنتوم اجازه می‌دهد تا وزن خود را براساس شرایط بازار تنظیم کند؛ به‌طوری که در بازارهای نزولی با نوسانات بالا، وزن مومنتوم کاهش می‌یابد و در بازارهای باثبات با نوسانات کمتر، وزن بیشتری به آن اختصاص داده می‌شود. نتایج نشان می‌دهد که استراتژی‌های مومنتوم مقیاس‌بندی‌شده پویا به ویژه استراتژی‌های پویای 3 و 4، نسبت به سایر استراتژی‌ها در بهبود بازده تعدیل‌شده بر اساس ریسک عملکرد بهتری داشته‌اند. در نهایت، یافته‌ها بیانگر آن است که استراتژی‌های مومنتوم مقیاس‌بندی‌شده پویا می‌توانند در بازارهای پرنوسان بازده‌های پایدارتر و مدیریت ریسک بهتری ارائه دهند.


این پژوهش به بررسی عملکرد استراتژی‌های مومنتوم مقیاس‌بندی‌شده پویا در بورس اوراق بهادار تهران با استفاده از داده‌های ۱۰۰ سهم که بخش عمده‌ای از ارزش بازار را در بازه فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ تشکیل می‌دهند، می‌پردازد. روش مومنتوم مقیاس‌بندی‌شده پویا به استراتژی مومنتوم اجازه می‌دهد تا وزن خود را براساس شرایط بازار تنظیم کند؛ به‌طوری که در بازارهای نزولی با نوسانات بالا، وزن مومنتوم کاهش می‌یابد و در بازارهای باثبات با نوسانات کمتر، وزن بیشتری به آن اختصاص داده می‌شود. نتایج نشان می‌دهد که استراتژی‌های مومنتوم مقیاس‌بندی‌شده پویا به ویژه استراتژی‌های پویای 3 و 4، نسبت به سایر استراتژی‌ها در بهبود بازده تعدیل‌شده بر اساس ریسک عملکرد بهتری داشته‌اند. در نهایت، یافته‌ها بیانگر آن است
کلیدواژه‌ها
استراتژی مومنتوم
مقیاس‌بندی پویا
بازده تعدیل‌شده بر اساس ریسک
بورس اوراق بهادار تهران
مدیریت ریسک

عنوان مقاله English

Dynamic scaled momentum strategies in Tehran stock exchange

نویسندگان English

Mohammadreza Ghaseminejad 1
Kamran Pakizeh 2
1 MSc., DD of Financial Engineering, Faculty of Financial Sciences, Kharazmi University, Tehran, Iran
2 Associate Professor, DD of Financial Engineering, Faculty of Financial Sciences, Kharazmi University, Tehran, Iran
چکیده English

This study examines the performance of dynamic scaled momentum strategies (dMOM) in the Tehran Stock Exchange, using data from 100 stocks that represent the majority of the market value during the period from April 2013 to March 2024. The dynamic scaling method allows momentum strategies to adjust their weights based on current market conditions. For instance, in a bearish market with high volatility, the momentum weight may decrease or even reverse, while in stable or bullish markets with low volatility, a higher weight may be allocated to the momentum strategy. The results show that dMOM strategies, particularly dMOM3 and dMOM4, outperform other strategies in improving risk-adjusted returns. Overall, the findings suggest that dynamic momentum strategies can provide more stable returns and better risk management in volatile markets.

کلیدواژه‌ها English

Momentum Strategy
Dynamic Scaling
Risk-Adjusted Return
Tehran Stock Exchange
Risk Management
  1. Asem E, Tian GY. Market dynamics and momentum profits, Journal of Financial and Quantitative Analysis, 2010;45(6):1549-62. doi: 10.1017/S0022109010000542.
  2. Asness CS, Moskowitz TJ, Pedersen LH. Value and momentum everywhere, The Journal of Finance, 2013;68(3):929-85. doi: 10.1111/jofi.12021.
  3. Barroso P, Santa-Clara P. Momentum has its moments, Journal of Financial Economics, 2015;116(1):111-20.
  4. Blitz D, Huij J, Martens M. Residual momentum, Journal of Empirical Finance, 2011;18(3):506-21. doi: 10.1016/j.jempfin.2011.01.003.
  5. Carhart MM. On persistence in mutual fund performance, The Journal of Finance, 1997;52(1):57-82. doi: 10.1111/j.1540-6261.1997.tb03808.x.
  6. Cederburg S, O’Doherty MS, Wang F, Yan XS. On the performance of volatility-managed portfolios, Journal of Financial Economics, 2020;136(2):219-38. doi: 10.1016/j.jfineco.2020.04.015.
  7. Cooper MJ, Gutierrez RC Jr, Hameed A. Market states and momentum, The Journal of Finance, 2004;59(3):1345-65. doi: 10.2139/ssrn.299927.
  8. Daniel K, Moskowitz TJ. Momentum crashes, Journal of Financial Economics, 2016;122(2):221-47. doi: 10.1016/j.jfineco.2015.12.002.
  9. Fama EF, French KR. Common risk factors in the returns on stocks and bonds, Journal of Financial Economics, 1993;33(1):3-56. doi: 10.1016/0304-405X(93)90023-5.
  10. Fama EF, French KR. International tests of a five-factor asset pricing model, Journal of Financial Eco-nomics, 2017;123(3):441-63.
  11. Fama EF, French KR. Size, value, and momentum in international stock returns, Journal of Financial Economics, 2012;105(3):457-72. doi: 10.1016/j.jfineco.2012.05.011.
  12. Griffin J, Ji X, Martin J. Momentum investing and business cycle risk: evidence from pole to pole, The Journal of Finance, 2003;58(6):2515-46.
  13. Grobys K, Ruotsalainen J, Äijö J. Risk-managed industry momentum and momentum crashes, Quantitative Finance, 2018;18(4):649-61. doi: 10.1080/14697688.2017.1420211.
  14. Grundy BD, Martin JS. Understanding the nature of the risks and the source of the rewards to mo-mentum investing, The Review of Financial Studies, 2001;14(1):29-78. doi: 10.1093/rfs/14.1.29.
  15. Hanauer MX, Windmüller S. Enhanced momentum strategies, Journal of Banking & Finance, 2023;148:106712. doi: 10.1016/j.jbankfin.2022.106712.
  16. Hong H, Stein JC. A unified theory of underreaction, momentum trading, and overreaction in asset markets, The Journal of Finance, 1999;54(6):2143-84.
  17. Jegadeesh N, Titman S. Profitability of momentum strategies: an evaluation of alternative explanations, The Journal of Finance, 2001;56(2):699-720. doi: 10.1111/0022-1082.00342.
  18. Jegadeesh N, Titman S. Returns to buying winners and selling losers: implications for stock market efficiency, The Journal of Finance, 1993;48(1):65-91.
  19. Mehrani, K., Mirshahvalad, A., & Abbasi, E. (2019). Comparison of the Accuracy of Black Hole Algorithms and Gravitational Research and the Hybrid Method in Portfolio Optimization. International Journal of Finance & Managerial Accounting, 4(14), 111-126.
  20. Mehrani, K., Mirshahvalad, A., & Abbasi, E. (2019). Portfolio Optimization Using Black Hole Meta Heuristic Algorithm. Specialty Journal of Accounting and Economics, 5(2), 1-13.
  21. Moreira A, Muir T. Volatility-managed portfolios, The Journal of Finance, 2017;72(4):1611-44. doi: 10.1111/jofi.12513.
  22. Wang F, Yan XS. Downside risk and the performance of volatility-managed portfolios, Journal of Banking & Finance, 2021;131:106198. doi: 10.1016/j.jbankfin.2021.106198.
  23. Watanabe A, Xu Y, Yao T, Yu T. The asset growth effect: insights from international equity markets. Journal of Financial Economics. 2013;108(2):529-63.