دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

ارزیابی توان بهینه‌سازی پرتفوی بازار به روش کلاسیک و الگوریتم کرم(مگس) میوه در بورس اوراق بهادار تهران

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
منیره مشهدی رمضانعلی
حمید احمدزاده
محمود خدام
گروه علمی علوم اقتصادی، واحد کرج، دانشگاه آزاد اسلامی،کرج، ایران
10.22034/jik.2026.78893.4850
چکیده
در این پژوهش، توان توضیح‌دهندگی روش کلاسیک بهینه‌سازی پرتفوی مارکویتز و الگوریتم فراابتکاری مگس میوه در چارچوب مدل قیمت‌گذاری دارایی پنج‌عاملی فاما و فرنچ مورد مقایسه و ارزیابی قرار گرفته است. جامعه آماری تحقیق شامل ۱۲۰ شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره زمانی ۱۳۹۱ تا ۱۴۰۲ (معادل ۲۰۱۲ تا ۲۰۲۳) است. در گام نخست، پرتفوی‌های بهینه با استفاده از هر یک از دو رویکرد مذکور تشکیل شد و سپس عملکرد آن‌ها نه‌تنها از منظر ریسک و بازده، بلکه با تأکید بر توان توضیح‌دهندگی آماری در چارچوب مدل‌های قیمت‌گذاری دارایی مورد بررسی قرار گرفت. به‌منظور ارزیابی معناداری آماری و قدرت توضیح‌دهندگی پرتفوی‌های حاصل، از آزمون Gibbons, Ross and Shanken (GRS) استفاده شد. نتایج حاصل از آزمون GRS نشان می‌دهد که فرض صفر برای پرتفوی‌های بهینه‌شده بر اساس روش مارکویتز در سطح اطمینان ۹۵ درصد رد نمی‌شود، در حالی که شواهد تجربی پژوهش نشان می‌دهد توان توضیح‌دهندگی مدل قیمت‌گذاری دارایی برای پرتفوی‌های حاصل از الگوریتم مگس میوه، در مقایسه با پرتفوی‌های مبتنی بر روش کلاسیک مارکویتز، ضعیف‌تر است. این نتایج بیانگر آن است که اگرچه الگوریتم‌های فراابتکاری از قابلیت بالایی در فرآیند بهینه‌سازی برخوردارند، اما روش کلاسیک مارکویتز از نظر سازگاری با مدل‌های قیمت‌گذاری دارایی و برخورداری از قدرت توضیح‌دهندگی آماری، عملکردی باثبات‌تر و قابل اتکاتر را در بازار سرمایه ایران ارائه می‌دهد.
کلیدواژه‌ها
بهینه‌سازی پرتفوی
روش کلاسیک
الگوریتم مگس میوه

عنوان مقاله English

Evaluation of the Market Portfolio Optimization Capability Using the Classical Method and the Fruit Fly Algorithm in the Tehran Stock Exchange

نویسندگان English

monireh mashhadi ramezanali
hamid ahmadzadeh
mahmoud khoddam
Department of Economic Sciences, Ka.C., Islamic Azad University, Karaj, Iran
چکیده English

This study aims to compare the explanatory power of the classical Markowitz portfolio optimization approach and the Fruit Fly Optimization Algorithm (FOA) within the framework of the Fama–French five factor asset pricing model. The statistical population consists of 120 firms listed on the Tehran Stock Exchange over the period 2012–2023. In the first stage, optimal portfolios are constructed using both the Markowitz method and the FOA. Subsequently, the performance of the resulting portfolios is evaluated from a statistical perspective, with particular emphasis on their explanatory power in relation to asset pricing models. To this end, the Gibbons, Ross, and Shanken (GRS) test is employed to examine whether the intercepts of the time series regressions are jointly equal to zero. The empirical results indicate that the null hypothesis of the GRS test cannot be rejected at the 5% significance level for portfolios optimized using the Markowitz approach, while the explanatory power of the model appears weaker for FOA based portfolios in some model specifications. These findings suggest that although metaheuristic algorithms exhibit strong optimization capabilities, the classical Markowitz method demonstrates more stable and consistent statistical explanatory power when evaluated against asset pricing models. Overall, the results highlight the relative robustness of traditional mean–variance optimization in terms of compatibility with factor pricing models in the Iranian capital market.

کلیدواژه‌ها English

Portfolio Optimization
Classical Method
Fruit Fly Algorithm

  1. 1.    اکبری فردحسین،  انارکی محمدی احمد، ۱۳۹۶، انتخاب پرتفوی بهینه با استفاه در الگوریتم جستجوی گرانشی، پنجمین کنفرانس بین المللی اقتصاد،مدیریت،حسابداری با رویکرد ارزش آفرینی، شیراز، موسسه آموزشی مدیران خبره نارون

    2.    امینی امیر،1395، بهینه‌سازی سبد سهام با استفاده از رویکرد جدید بهینه‌سازی کرم میوه، فصلنامه مدیریت صنعتی،1395،شماره 36،صفحه 59

    3.    بیات آزاد باوند، پوررفیعی مهدی، صباغیان زهره، ۱۳۹۸، ارائه یک مدل سبد سهام چند هدفه با در نظر گرفتن آنتروپی و گشتاورهای مرتبه بالا در شرایط عدم اطمینان، چهارمین کنفرانس ملی در مدیریت،حسابداری و اقتصاد با تاکید بر بازاریابی منطقه‌ای و جهانی، تهران - دانشگاه شهید بهشتی، دبیرخانه دائمی کنفرانس

    4.        پی جونزچالز، ترجمه: تهرانی رضا، نوربخش عسگر.(1390). مدیریت سرمایه‌گذاری، نشر نگاه دانش

    5.    تهرانی رضا، فلاح پور سعید، رستمی محمدرضا،  بیگلری کامی مهدی، ۱۳۹۷، انتخاب سبد سهام چند دوره‌ای با استفاده از گشتاورهای مرتبه بالاتر، مهندسی مالی و مدیریت اوراق بهادار

    6.    علیرضایی محمدرضا، رخشان فاطمه، بنای خویی بهاره، ۱۳۹۶، کاربرد تکنیک کارایی متقاطع تحلیل پوششی داده ها در گزینش سبد سهام، مطالعه موردی 20 شرکت معتبر بورس، دهمین کنفرانس بین المللی انجمن تحقیق در عملیات ایران، بابلسر، انجمن ایرانی تحقیق در عملیات

    7.    داریوش فرید، دهقانی فیروزآبادی ابوالفضل،  میرزایی حمیدرضا، ۱۳۹۸، کاربرد رویکرد برنامه‌ریزی ترجیحات فازی لگاریتمی در انتخاب سبد سهام، چهارمین کنفرانس بین المللی مدیریت صنعتی، یزد، دانشگاه یزد - انجمن علمی مدیریت صنعتی ایران

    8.    خلیلی اکبر، رعیتی شوازی علیرضا، رضائی پندری عباس، ۱402، تحلیل استواری ریسک نامطلوب در مدیریت پرتفوی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، سومین کنفرانس ملی اقتصاد، مدیریت و حسابداری، شیروان، موسسه پژوهشی رهجویان پایا شهر اترک

    9.    کریمی موحد مهدی، احدزاده نمین مهناز، شاهوردیانی شادی، حبیبی داوود، ۱۳۹۶، ارزیابی عملکرد شرکت‌های سرمایه‌گذاری بورسی با استفاده از DEA با منطق فازی، نهمین کنفرانس ملی تحلیل پوششی داده ها، بجنورد، دانشگاه آزاد اسلامی واحد بجنورد

    10.  نامورفاتح نیلوفر، ملکی چوبری مجتبی، ۱۳۹۶، تخمین کارایی سبد سهام با استفاده از تحلیل پوششی داده‌ها، دهمین کنفرانس بین المللی حسابداری و مدیریت و هفتمین کنفرانس کارآفرینی و نوآوری‌های باز، تهران، شرکت همایشگران مهر اشراق

    11.  یاکیده کیخسرو، قلی زاده محمدحسن، منتظری صفیه، ۱۳۹۶، بهینه‌سازی سبد سهام با تصویر سهم‌ها روی مرز کارای قوی با معیار ریسک میانگین قدر مطلق انحرافات از میانگین، نهمین کنفرانس ملی تحلیل پوششی داده‌ها، بجنورد، دانشگاه آزاد اسلامی واحد بجنورد

    12.  سلیمانی سجاد،  ناظمی علیرضا، ۱402، ارایه مدلی برای بهینه کردن ریسک پورتفوی فازی وحل آن با الگوریتم pso، اولین کنفرانس ملی مدیریت وسیستم‌های فازی، تهران -دانشگاه علم و صنعت ایران، دانشگاه ایوانکی- موسسه بین المللی مهد پژوهش ره‌پویان حقیقت

    13.  صیاد, مهدی، بیگ زاده عباسی فرزانه، درخشان داوری مژگان، ۱403، مطالعه تطبیقی برای انتخاب پرتفولیوی بهینه با اهداف غیرخطی با استفاده از الگوریتم های ژنتیک و ازدحام ذرات در بورس اوراق بهادار تهران، اولین کنفرانس بین المللی مدیریت، اقتصاد، حسابداری و علوم تربیتی، ساری، شرکت علمی پژوهشی و مشاوره ای آینده ساز ، دانشگاه پیام نور نکا

    14.  یاکیده کیخسرو، قلی زاده محمدحسن، کاظمی میانگسکری مینا، ۱۳۹۶، مدل میانگین ارزش در معرض ریسک، بهینه‌سازی سبد سهام: روشی مبتنی بر مدل‌های تحلیل پوششی داده‌ها با داده‌های منفی، دومین کنفرانس بین المللی مدیریت صنعتی، بابلسر، دانشگاه مازندران

    1. Abidin, Z. Z., Arshad, M. R., & Ngah, U. K. (2011). A simulation based fly optimization algorithm for swarms of mini autonomous surface vehicles application. Indian J. GeoMar. Sci. 40(2), 250–266.
    2. Anione, S., Loraschi, A., & Tettamanzi, A. (1993). A genetic approach to portfolio selection. Neural Network World, 6(93), 597-604.
    3. Aryanezhad, M. B., & Hemati, M. (2008). A new genetic algorithm for solving non convex nonlinear programming problems. Applied Mathematics and Computation, 199(1), 186–194.
    4. Chang, T.J., Meade N., Beasley, J.E., & Sharaiha, Y.M. (2021). Heuristics for cardinality constrained portfolio optimization. Computers and Operations Research, 27(13), 1271- 1302. 5.
    5. Crama, Y., & Schyns, M. (2013). Simulated annealing for complex portfolio selection problems. European Journal of operational research, 150(3), 546-571.
    6. Cura, T. (2009). Particle swarm optimization approach to portfolio optimization. Nonlinear Analysis: Real World Applications, 10(4), 2396-2406.
    7. Dubrin, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2024). A fast and elitist multi objective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197.
    8. Dueck, G., & Winker, P. (1992). New concepts and algorithms for portfolio choice. Applied Stochastic Models and Data Analysis, 8(3), 159-178.
    9. Fernández, A., & Gómez, S. (2023). Portfolio selection using neural networks. Computers & operations research, 34(4), 1177-1191
    10. Gibbons, M. R., Ross, S. A., & Shanken, J. (1989). A test of the efficiency of a given portfolio. Econometrica, 57(5), 1121–1152
    11. Gilli, M., Këllezi, E., & Hysi, H. (2006). A data-driven optimization heuristic for downside risk minimization. Journal of Risk, 8(3), 1.
    12. Han, J., Wang, P., & Yang, X. (2022). Tuning of PID controller based on fruit fly optimization algorithm. International Conference on Mechatronics and Automation (ICMA): 409–413.
    13. Holland, J. H. (1975). Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. University of Michigan Press.
    14. Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks IV, 1942–1948
    15. Mehrani, K., Mirshahvalad, A., & Abbasi, E. (2019). Comparison of the Accuracy of Black Hole
    16. Algorithms and Gravitational Research and the Hybrid Method in Portfolio Optimization.
    17. International Journal of Finance & Managerial Accounting, 4(14), 111-126.
    18. Mehrani, K., Mirshahvalad, A., & Abbasi, E. (2019). Portfolio Optimization Using Black Hole Meta
    19. Heuristic Algorithm. Specialty Journal of Accounting and Economics, 5(2), 1-13.
    20. Yu, Y., Li, Y. C., Li, J. C., & Gu, X. Y. (2016). Self-adaptive step fruit fly algorithm optimized support vector regression model for dynamic response prediction of magneto-rheological elastomer base isolator. Neurocomputing, 211, 41–52.
دانش سرمایه‌گذاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 10 آبان 1405