دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

ارائه مدل انتخاب پرتفوی بهینه چند هدفه مبتنی بر نظریه پشیمانی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد بحرانی 1
مهدی معدنچی زاج 2
سعید مرادپور 3
میرفیض فلاح شمس 4
1 داﻧﺸﺠﻮی دکتری،گروه مالی، دانشکده اﻗﺘﺼﺎد و علوم مالی، واﺣﺪ ﻋﻠﻮم و ﺗﺤﻘﯿﻘﺎت، دانشگاه آزاد اﺳﻼمی، ﺗﻬﺮان، اﯾﺮان
2 اﺳﺘﺎدﯾﺎر، گروه دانشی مدیریت، واﺣﺪ تهران مرکزی، دانشگاه آزاد اسلامی، ﺗﻬﺮان، اﯾﺮان
3 اﺳﺘﺎدﯾﺎر، گروه حسابداری و مالی، واﺣﺪ بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران
4 دانشیار، گروه دانشی مدیریت، واﺣﺪ تهران مرکزی، دانشگاه آزاد اسلامی، ﺗﻬﺮان، اﯾﺮان
10.22034/jik.2026.79209.4937
چکیده
اکثریت مدل‌های بهینه‌سازی پرتفوی معیارهای رفتاری سرمایه‌گذاران را در نظر نمی‌گیرند. در حالیکه تصمیم‌های سرمایه‌گذاری هر فردی تابعی از روحیات و شرایط ذهنی وی است. پشیمانی‌گریزی و میل به شادمانی از جمله مهم‌ترین این معیارها هستند. هدف پژوهش حاضر این است که با ایجاد یک رویکرد رفتاری مبتنی بر دو عامل پشیمانی‌گریزی و میل به شادمانی در تصمیمات سرمایه‌گذاری، مدلی را جهت بهینه‌سازی پرتفوی معرفی نماید که نسبت به مدل‌های سنتی، عملکرد بهتری داشته باشد. در این پژوهش با توسعه مدل 5 هدفه سنتی انتخاب پرتفوی با در نظر گرفتن پنج هدف بازدهی، واریانس، چولگی، کشیدگی و کارایی الگویی جدید ارائه گردید. سپس 15 سهم به عنوان نمونه انتخاب شدند. از طریق اطلاعات نمونه پرتفوی بهینه تخمین زده شد و مورد آزمون برون نمونه‌ای قرار گرفت. در آزمون برون نمونه‌ای از معیار شارپ تعدیل شده با کشیدگی استفاده گردید. نتایج بدست آمده در پژوهش حاضر نشان می‌دهد توجه به اهداف چولگی، کشیدگی و کارایی(عوامل بنیادی) علاوه بر اهداف بازدهی و واریانس پرتفوی و همچنین بازتعریف مطلوبیت اهداف مورد نظر سرمایه‌گذار بر اساس تابع مطلوبیت درک شده جهت در نظر گرفتن پشیمانی و شادمانی، می‌تواند باعث بهبود نتایج پرتفوی بهینه در خارج از نمونه شود. بنابراین توجه به معیارهای ذهنی و روانی افراد می‌تواند نتایج بدست آمده در پرتفوی بهینه را بهبود بخشد.
کلیدواژه‌ها
بهینه‌سازی پرتفوی
پشیمانی
شادمانی
کارایی
مطلوبیت درک شده

عنوان مقاله English

A Multi-Objective Optimal Portfolio Selection Model Based on Regret Theory

نویسندگان English

Mohammad Bahrani 1
mahdi madanchi zaj 2
saeed moradpour 3
Mirfeiz Fallah Shams 4
1 Ph.D. Candidate, Department of Economics and Finance, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Assistant Professor, Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
3 Assistant Professor, Department of Accounting and Finance, Bandarabbas Branch, Islamic Azad University, Bandarabbas, Iran.
4 Associate Professor, Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
چکیده English

Most portfolio optimization models overlook investors’ behavioral criteria, even though investment decisions are inherently shaped by individuals’ psychological dispositions and mental states. Among these behavioral factors, regret aversion and rejoice preference play particularly influential roles. The present study aims to introduce a portfolio optimization model that incorporates a behavioral framework based on these two factors, seeking to achieve superior performance compared to traditional models. To this end, the classical five-objective portfolio selection model—considering return, variance, skewness, kurtosis, and efficiency—was extended to develop a new behavioral approach. A sample of 15 stocks was selected, and the optimal portfolio was estimated using in-sample data and subsequently evaluated through an out-of-sample test. The out-of-sample performance was assessed using the modified Sharpe ratio adjusted for kurtosis. The findings indicate that incorporating skewness, kurtosis, and efficiency (fundamental factors), alongside return and variance, as well as redefining investor preferences through a perceived utility function that captures regret and happiness, can significantly enhance out-of-sample portfolio performance. Therefore, accounting for investors’ psychological and subjective criteria can meaningfully improve the outcomes of portfolio optimization.

کلیدواژه‌ها English

Portfolio Optimization
Regret
Rejoice
Efficiency
Perceived Utility
1.       غیاثی, آذر و حمیدیه, علیرضا . (1402). بهینه‌سازی سبد سرمایه گذاری رمزارزی در شرایط عدم ‎اطمینان با بکارگیری روش تحلیل پوششی داده‌ها-برنامه ریزی استوار. راهبرد مدیریت مالی, 11(3), 99-126.
2.       کاظمی میان گسکری, مینا , یاکیده, کیخسرو و قلی زاده, محمدحسن . (1396). بهینه یابی سبد سهام (کاربرد مدل ارزش درمعرض ریسک بر روی کارایی متقاطع). راهبرد مدیریت مالی, 5(2), 159-183.
3.       ماکویی، احمد و طالعی‌زاده، عطاءاله. (1399). مدل‌ها و تکنیک‌های تصمیم‌گیری. تهران، دانشگاه علم و صنعت.
 
4.      References
5.      Aksaraylı, M., & Pala, O. (2018). A polynomial goal programming model for portfolio optimization based on entropy and higher moments. Expert Systems with Applications, 94, 185-192.
6.      Alexander, C., & Sheedy, E. (2004). The professional risk managers' handbook: A comprehensive guide to current theory and best practices. PRMIA Publications.
7.      Baule, R., Korn, O., & Kuntz, L. C. (2019). Markowitz with regret. Journal of Economic Dynamics and Control, 103, 1-24.
8.      Bell, D. E. (1982). Regret in decision making under uncertainty. Operations research, 30(5), 961-981.
9.      Bhattacharyya, R., Chatterjee, A., & Kar, S. (2013). Uncertainty theory based multiple objective mean-entropy-skewness stock portfolio selection model with transaction costs. Journal of Uncertainty Analysis and Applications, 1(1), 16.
10. Bhattacharyya, R., Kar, S., & Majumder, D. D. (2011). Fuzzy mean–variance–skewness portfolio selection models by interval analysis. Computers & Mathematics with Applications, 61(1), 126-137
11. Boasson, V., Boasson, E., & Zhou, Z. (2011). Portfolio optimization in a mean-semivariance framework. Investment management and financial innovations, (8, Iss. 3), 58-68.
12. Branda, M. (2013). Diversification-consistent data envelopment analysis with general deviation measures. European Journal of Operational Research, 226(3), 626-635.
13. Caspar, G. (2012). Regret theory-based route choices and traffic equilibria. Transportmetrica, 8(4), 291-305.
14. Chen, W., Gai, Y., & Gupta, P. (2018). Efficiency evaluation of fuzzy portfolio in different risk measures via DEA. Annals of Operations Research, 269, 103-127.
15. Chen, W., Goh, M., & Zou, Y. (2018). Logistics provider selection for omni-channel environment with fuzzy axiomatic design and extended regret theory. Applied Soft Computing, 71, 353-363.
16. Chen, W., Li, S. S., Zhang, J., & Mehlawat, M. K. (2020). A comprehensive model for fuzzy multi-objective portfolio selection based on DEA cross-efficiency model. Soft computing, 24, 2515-2526.
17. Chorus, C. G. (2012). Regret theory-based route choices and traffic equilibria. Transportmetrica, 8(4), 291-305.
18. Dodonova, A., & Khoroshilov, Y. (2005). Applications of regret theory to asset pricing. Available at SSRN 301383.
19. Edirisinghe, N. C. P., & Zhang, X. (2008). Portfolio selection under DEA-based relative financial strength indicators: case of US industries. Journal of the operational research society, 59(6), 842-856.
20. Edirisinghe, N. C., & Zhang, X. (2007). Generalized DEA model of fundamental analysis and its application to portfolio optimization. Journal of banking & finance, 31(11), 3311-3335.
21. Essid, H., Ganouati, J., & Vigeant, S. (2018). A mean-maverick game cross-efficiency approach to portfolio selection: An application to Paris stock exchange. Expert Systems with Applications, 113, 161-185.
22. Fama, E. F., & Roll, R. (1968). Some properties of symmetric stable distributions. Journal of the American Statistical Association, 63(323), 817-836.
23. Ghiasi, A. and Hamidieh, A. (2023). Optimizing the Cryptocurrency Investment Portfolio in Conditions of Uncertainty Using the Method of Data Envelopment Analysis - Robust Programming. Financial Management Strategy, 11(3), 99-126.
24. Gollier, C., & Salanié, B. (2006). Individual decisions under risk, risk sharing and asset prices with regret. Unpublished working paper, Université de Toulouse, IDEI.
25. Gong, X., Yu, C., Min, L., & Ge, Z. (2021). Regret theory-based fuzzy multi-objective portfolio selection model involving DEA cross-efficiency and higher moments. Applied Soft Computing, 100, 106958.
26. Gupta, P., Mehlawat, M. K., & Saxena, A. (2008). Asset portfolio optimization using fuzzy mathematical programming. Information Sciences, 178(6), 1734-1755.
27. Gupta, P., Mehlawat, M. K., Yadav, S., & Kumar, A. (2019). A polynomial goal programming approach for intuitionistic fuzzy portfolio optimization using entropy and higher moments. Applied Soft Computing, 85, 105781.
28. Ismail, M. K. A., Abd Rahman, N. M. N., Salamudin, N., & Kamaruddin, B. H. (2012, May). DEA portfolio selection in Malaysian stock market. In 2012 International Conference on Innovation Management and Technology Research (pp. 739-743). IEEE.
29. Jansen, D. W., & De Vries, C. G. (1991). On the frequency of large stock returns: Putting booms and busts into perspective. The review of economics and statistics, 18-24.
30. Joro, T., & Na, P. (2006). Portfolio performance evaluation in a mean–variance–skewness framework. European Journal of Operational Research, 175(1), 446-461.
31. Joro, T., & Na, P. (2006). Portfolio performance evaluation in a mean–variance–skewness framework. European journal of operational research, 175(1), 446-461.
32. Kazemi Miyangaskari, M. , Yakideh, K. and Gholizadeh, M. H. (2017). Portfolio Optimization (The Application of Value at Risk Model on Cross Efficiency). Financial Management Strategy, 5(2), 159-183.
33. Konno, H., & Suzuki, K. I. (1995). A mean-variance-skewness portfolio optimization model. Journal of the Operations Research Society of Japan, 38(2), 173-187.
34. Lamb, J. D., & Tee, K. H. (2012). Data envelopment analysis models of investment funds. European journal of operational research, 216(3), 687-696.
35. Li, X., Shou, B., & Qin, Z. (2012). An expected regret minimization portfolio selection model. European Journal of Operational Research, 218(2), 484-492.
36. Lim, S., Oh, K. W., & Zhu, J. (2014). Use of DEA cross-efficiency evaluation in portfolio selection: An application to Korean stock market. European journal of operational research, 236(1), 361-368
37. Loomes, G., & Sugden, R. (1982). Regret theory: An alternative theory of rational choice under uncertainty. The economic journal, 92(368), 805-824.
38. Makooyi, A., Taleyizadeh, A. (2020). Decision making models and techniques. University of Science and Industry. (In Persian)
39. Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77
40. Markowitz, H.M. (1959) Portfolio Selection: Efficient Diversification of Investments. John Wiley & Sons, New York.
41. Mashayekhi, Z., & Omrani, H. (2016). An integrated multi-objective Markowitz–DEA cross-efficiency model with fuzzy returns for portfolio selection problem. Applied soft computing, 38, 1-9.
42. Mehlawat, M. K., Kumar, A., Yadav, S., & Chen, W. (2018). Data envelopment analysis based fuzzy multi-objective portfolio selection model involving higher moments. Information sciences, 460, 128-150.
43. Michenaud, S., & Solnik, B. (2008). Applying regret theory to investment choices: Currency hedging decisions. Journal of International Money and Finance, 27(5), 677-694.
44. Milhomem, D. A., & Dantas, M. J. P. (2020). Analysis of new approaches used in portfolio optimization: a systematic literature review. Production, 30.
45. Muermann, A., Mitchell, O. S., & Volkman, J. M. (2006). Regret, portfolio choice, and guarantees in defined contribution schemes. Insurance: Mathematics and Economics, 39(2), 219-229.
46. Nguyen, T. T. (2016). Portfolio selection under higher moments using fuzzy multi-objective linear programming. Journal of Intelligent & Fuzzy Systems, 30(4), 2139-2156.
47. Nguyen, T. T., & Gordon-Brown, L. (2011). Constrained fuzzy hierarchical analysis for portfolio selection under higher moments. IEEE Transactions on Fuzzy Systems, 20(4), 666-682.
48. Peng, X., & Yang, Y. (2017). Algorithms for interval-valued fuzzy soft sets in stochastic multi-criteria decision making based on regret theory and prospect theory with combined weight. Applied Soft Computing, 54, 415-430.
49. Pompian, Michael M. Behavioral finance and wealth management: how to build investment strategies that account for investor biases. John Wiley & Sons, 2011.
50. Sexton, T. R., Silkman, R. H., & Hogan, A. J. (1986). Data envelopment analysis: Critique and extensions. New directions for program evaluation, 1986(32), 73-105.
51. Silva, A., Neves, R., & Horta, N. (2015). A hybrid approach to portfolio composition based on fundamental and technical indicators. Expert Systems with Applications, 42(4), 2036-2048.
52. Wang, Y. M., & Chin, K. S. (2010). A neutral DEA model for cross-efficiency evaluation and its extension. Expert Systems with applications, 37(5), 3666-3675.
53. Xidonas, P., Mavrotas, G., Hassapis, C., & Zopounidis, C. (2017). Robust multiobjective portfolio optimization: A minimax regret approach. European Journal of Operational Research, 262(1), 299-305.
54. Zamani, L., Beegam, R., & Borzoian, S. (2014). Portfolio selection using Data Envelopment Analysis (DEA): A case of select Indian investment companies. International Journal of Current Research and Academic Review, 2(4), 50-55.
55. Zeelenberg, M. (1999). Anticipated regret, expected feedback and behavioral decision making. Journal of behavioral decision making, 12(2), 93-106.
56. Zhang, X., Liang, H. M., Fang, F., & Chen, X. (2018). A method for risky multiple attribute decision making considering regret and rejoicing of the decision maker. Computers & Industrial Engineering, 124, 422-434
57. Zweig, J. (1998). Five investing lessons from America’s top pension fund. Money, 27(1), 115-118.
دانش سرمایه‌گذاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 31 مرداد 1405