Abstract:
هدف: مسئلۀ تخصیص داراییها، به تصمیمگیری تحت شرایط عدم اطمینان نیاز دارد. تشکیل پرتفوی سرمایهگذاری، یکی از مشکلات مالی بسیار رایج است. همواره سرمایهگذاران در تکاپوی تشکیل بهترین پرتفوی برای سرمایهگذاری هستند تا بتوانند بیشترین سود را کسب کنند. تاکنون روشهای زیادی برای تشکیل پرتفوی معرفی شده است که مشهورترین آن، رویکرد مارکویتز است. تئوری میانگین ـ واریانس، بهدلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی، اشکالهای عملی زیادی دارد. هدف از اجرای این پژوهش، یافتن روشی برای بهینهسازی سبد سهام است که در شبیهسازی بروننمونه برای بازار سهام ایران، عملکرد برتری داشته باشد.
روش: در این پژوهش، از تکنیک یادگیری ماشین برابری ریسک سلسلهمراتبی استفاده شده و نتایج آن با رویکرد مینیمم واریانس مقایسه شده است. برای اجرای این پژوهش، از قیمت پایانی تعدیلشده 30 شرکت بورسی برای 760 روز معاملاتی در دوره زمانی 1397 تا 1399 استفاده شده است.
یافتهها: برای ارزیابی عملکرد پرتفولیو از نسبت شارپ برای هر دو دوره دروننمونه و بروننمونه استفاده شد. نتایج بهدستآمده از تحلیل دروننمونه و بروننمونه نشان داد که رویکرد برابری ریسک سلسلهمراتبی، در مقایسه با رویکرد مینیمم واریانس، عملکرد بهتری دارد.
نتیجهگیری: رویکرد برابری ریسک سلسلهمراتبی، جایگزین معناداری برای رویکردهای سنتی تخصیص دارایی، از جمله رویکرد مینیمم واریانس است و برای سرمایهگذاران، ابزار مهم مدیریت ریسک محسوب میشود. مدیران سبدگردان و سرمایهگذاران نیز میتوانند از این روش برای تخصیص وزن به سبد خود استفاده کنند.
Objective: The problem of securities optimization is a significant financial problem, and the issue of choosing the optimal stock portfolio has long occupied the minds of investment professionals. Under uncertain conditions, it is essential to determine asset allocation. The creation of a portfolio of investments is one of the most common financial challenges faced by investors. For them, building a portfolio of investments that yields the highest level of profit is imperative. Various methods have been introduced to construct a portfolio, the most famous of which is the Markowitz approach. There are numerous shortcomings with mean-variance theory due to its difficulty in estimating expected returns and covariances for different asset classes. The problem with the Markowitz variance-mean method, estimation errors, and inconsistencies led to the development of several other academics' attempts to find possible portfolio solutions that would lead to optimal asset allocation. To overcome this problem, Marcos Lopez de Prado was the first researcher to propose a hierarchical model for portfolio construction in his famous paper “Building Diversified Portfolios that outperform out-of-sample”, in 2016. Methods:The present study is applied in terms of purpose, quantitative in terms of the implementation process, and retrospective and post-event in terms of time. This research focuses on the application of machine learning in selecting the optimal portfolio and its purpose is to find a stock portfolio optimization method that has superior performance in prototype simulation for the Tehran Stock Exchange. In this study, we use the Hierarchical Risk Parity (HRP) machine learning technique and compare the results with the minimum variance approach. The concept of HRP is based on graph theory and machine learning techniques and can be divided into three main stages including tree clustering, quasi-diagonalization, and recursive bisection. To conduct this research, the adjusted closing prices of 30 listed companies for 760 trading days from 2018 to 2020 were used. Missing values were filled by propagating the last valid observation forward Results: To evaluate portfolio performance, the Sharpe ratio was measured for both in-sample and out-of-sample periods. The results of in-sample and out-of-sample analyses showed that the Hierarchical Risk Parity approach performs better than the minimum variance approach. Conclusion: In this study, the researchers employed a novel asset allocation method – Hierarchical Risk Parity (HRP) which has the most desirable diversification properties. HRP provides a meaningful alternative to traditional asset allocation approaches and an important risk management tool for investors. Therefore, portfolio managers should have an active approach in evaluating each method according to the conditions and situations in which they are.
Machine summary:
يادگيري ماشين مبتني بر رويکرد سلسله مراتبي برابري ريسک (مطالعه موردي : پرتفوليو سهام متشکل از ٣٠ شرکت برتر بورس اوراق بهادار تهران ) مرضيه نوراحمدي دکتري ، گروه مهندسي مالي ، دانشکده اقتصاد، مديريت و حسابداري ، دانشگاه يزد، يزد، ايران .
روش : در اين پژوهش ، از تکنيک يادگيري ماشين برابري ريسک سلسله مراتبي اسـتفاده شـده و نتـايج آن بـا رويکـرد مينـيمم واريـانس مقايسه شده است .
اين محقـق اسـپانيايي ، از تئـوري شـبکه و يـادگيري ماشيني براي ساخت يک پرتفوليو متنوع با رويکرد برابري ريسک سلسله مراتبي (HRP) استفاده کـرد کـه بـا مـدل هـاي بهينه سازي پرتفوليو مبتني بر ريسک تفاوت شايان توجهي دارد.
در نهايت به پياده سازي پرتفوي با استفاده از اين رويکرد براي ٣٠ شرکت برتر بورس اوراق بهادار تهران در دو دوره درون نمونه و برون نمونه پرداخته و نتايج هـر دو روش بـا اسـتفاده از معيـار شـارپ ارزيابي خواهد شد.
مطالعات انجام شده در مورد برنامه هاي بزرگ بازنشستگي ايالات متحده نشان مي دهد که کل بازده سياست سرمايه گذاري ٩٣/٦ درصد است ؛ از اين رو سياسـت سرمايه گذاري مهم ترين بخش در مديريت پرتفوي به حساب مي آيد و اغلب به آن تخصيص استراتژيک گفتـه مـي شـود (برينسون ، هود و بريبور٢، ١٩٨٦).
Brinson, Hood & Beebower 3.
Lohre, Rother & Schäfer 3.
Onnela, Chakraborti, Kaski, Kertesz & Kanto 4.
روش بهينه سازي به کاررفته در اين پژوهش ، رويکرد برابري ريسک سلسله مراتبي اسـت کـه بـا روش بهينـه سـازي مينيمم ـ واريانس مقايسه مي شود.
Clustering of financial time series with application to index and enhanced index tracking portfolio.
The hierarchical equal risk contribution portfolio.