کاربرد شبکه‌های فیلترشده برمبنای آستانه در انتخاب سبد سهام و ارزیابی عملکرد آن

الموضوعات :

مرضیه نور احمدی ¹ , حجت الله صادقی ²

1 - گروه مدیریت مالی، دانشگاه یزد، یزد، ایران
2 - گروه مدیریت مالی، دانشگاه یزد، یزد،ایران

تاريخ الإرسال : 09 الثلاثاء , ذو الحجة, 1444 تاريخ التأكيد : 07 الأربعاء , صفر, 1445 تاريخ الإصدار : 08 السبت , ربيع الأول, 1445

الکلمات المفتاحية: رویکرد برابری سلسله مراتبی ریسک, شبکه سهام, ماتریس مجاورت, واژه‌های کلیدی: انتخاب سبد سهام,

ملخص المقالة :

چکیده تجزیه و تحلیل شبکه یکی از روش های مورد توجه تحلیل گران برای تجزیه و تحلیل روابط پیچیده در داده ها به روش شهودی است. یکی از کاربردهای تجزیه و تحلیل شبکه، مصور سازی روابط بین طبقات مختلف دارایی هاست. بازار سهام به عنوان یک سیستم پیچیده ای در نظر گرفته می شود که پویایی پیچیده متعلق به خود را نشان می دهد. شناسایی پویایی های بازار سهام برای بازیگران، سرمایه گذاران و سیاست گذاران مالی مهم است. پیچیدگی بازار سهام می تواند دلایل مختلفی داشته باشد که وابستگی متقابل سهام به یکدیگر می تواند یکی از برجسته ترین این عوامل باشد. یکی از مهم ترین دغدغه های افراد در بازار سرمایه، یافتن روشی جهت ارائه و تحلیل داده های سهام شرکت های مختلف است. شرکت های مختلفی در بورس وجود دارد و همواره مدیران سبد سرمایه گذاری و سرمایه گذاران در انتخاب سبد سهام مناسب، نیاز به بررسی بهترین روش برای تشکیل سبد سهام هستند. در این مقاله در خصوص تشکیل پرتفوی متنوع و غیرمتنوع از طریق تئوری شبکه بحث می شود. برای اجرای این پژوهش، از قیمت پایانی تعدیل‌شده 138 شرکت شاخص بورسی برای دوره 11-10-1395 الی 15-04-1400معادل 1648روز معاملاتی استفاده ‌شده است. برای توصیف تاثیر بین سهام از ماتریس مجاورت استفاده شده و با استفاده از آستانه بهینه، پرتفوی متنوع و غیرمتنوع بدست می آید. نتایج سهام منتخب برای پرتفوی را با استفاده از رویکرد برابری ریسک سلسله مراتبی (HRP) پیاده سازی نموده و نتایج آن ربا سه روش مینیمم واریانس (MVP)[1]، توزیع یکنواخت (UNIF) و برابری ریسک (RP) برای دو دوره زمانی درون نمونه و برون نمونه، برای هر دو پرتفوی متنوع و غیر متنوع مقایسه می شود. در نهایت نتایج با استفاده از چهار معیار سورتینو، شارپ، ماکسیمم DD و کالمر مقایسه شده است. نتایج نشان دهنده برتری رویکرد سبد غیرمتنوع در دوران های نزولی بازار و برتری رویکرد سبد متنوع سازی شده در سایر زمان هاست. [1] Minimum Variance

المصادر:

فهرست منابع

• ابونوری، اسماعیل، تهرانی، رضا، شامانی، مسعود (1397)، عملکرد پرتفوی­های مبتنی بر ریسک تحت شرایط مختلف بازار سهام (شواهد تجربی از بازار سهام ایران)، فصلنامه اقتصاد مالی، ش45، ص51-71.


• پورمقدم، اسماعیل، محمدی، تیمور، فقهی کاشانی، محمد، شاکری، عباس (1397)، ارائه شاخصی جدید برای انعکاس رفتار بازار سهام با استفاده از رویکرد تحلیل شبکه های پیچیده، فصلنامه اقتصاد مالی، ش46، ص25-39.


• میزبان، هدیه سادات، افچنگی، زهرا، احراری، مهدی، آروین، فرشاد، سوری، علی (1391)، بهینه سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه گیری ریسک، فصلنامه اقتصاد مالی، ش19، ص205-227.

• Al-Aradi, A., & Jaimungal, S. (2018). Outperformance and tracking: Dynamic asset allocation for active and passive portfolio management. Applied Mathematical Finance, 25(3), 268–294.


• Attia, J. (2019). The Applications of Graph Theory to Investing. ArXiv Preprint ArXiv:1902.00786.


• Bechis, L., Cerri, F., & Vulpiani, M. (2020). Machine Learning Portfolio Optimization: Hierarchical Risk Parity and Modern Portfolio Theory.


• Bhattacharjee, B., Shafi, M., & Acharjee, A. (2017). Investigating the evolution of linkage dynamics among equity markets using network models and measures: The case of asian equity market integration. Data, 2(4), 41.


• Bonanno, G., Caldarelli, G., Lillo, F., & Mantegna, R. N. (2003). Topology of correlation-based minimal spanning trees in real and model markets. Physical Review E, 68(4), 46130.


• Brinson, G. P., Hood, L. R., & Beebower, G. L. (1986). Determinants of portfolio performance. Financial Analysts Journal, 42(4), 39–44.


• Burggraf, T. (2020). Beyond Risk Parity–A Machine Learning-based Hierarchical Risk Parity Approach on Cryptocurrencies. Finance Research Letters, 101523.


• Chi, K. T., Liu, J., & Lau, F. C. M. (2010). A network perspective of the stock market. Journal of Empirical Finance, 17(4), 659–667.


• Cochrane, J. H. (1999). Portfolio advice for a multifactor world. National Bureau of Economic Research.


• De Prado, M. L. (2016). Building diversified portfolios that outperform out of sample. The Journal of Portfolio Management, 42(4), 59–69.


• George, S., & Changat, M. (2017). Network approach for stock market data mining and portfolio analysis. 2017 International Conference on Networks & Advances in Computational Technologies (NetACT), 251–256.


• Harmon, D., Stacey, B., Bar-Yam, Y., & Bar-Yam, Y. (2010). Networks of economic market interdependence and systemic risk. ArXiv Preprint ArXiv:1011.3707.


• Huang, W.-Q., Zhuang, X.-T., & Yao, S. (2009). A network analysis of the Chinese stock market. Physica A: Statistical Mechanics and Its Applications, 388(14), 2956–2964.


• Hüttner, A., Mai, J.-F., & Mineo, S. (2018). Portfolio selection based on graphs: Does it align with Markowitz-optimal portfolios? Dependence Modeling, 6(1), 63–87.


• Jasmeen, S., & Satyanarayana, S. V. (2012). What differentiates Active and Passive Investors? I-Manager’s Journal on Management, 7(1), 44.


• Kullmann, L., Kertesz, J., & Mantegna, R. N. (2000). Identification of clusters of companies in stock indices via Potts super-paramagnetic transitions. Physica A: Statistical Mechanics and Its Applications, 287(3–4), 412–419.


• Kumar, S., & Deo, N. (2012). Correlation and network analysis of global financial indices. Physical Review E, 86(2), 26101.


• Lan, W., & Zhao, G. (2010). Stocks network of coal and power sectors in china stock markets. International Conference on Information Computing and Applications, 201–208.


• Liu, J., Tse, C. K., & He, K. (2008). Detecting stock market fluctuation from stock network structure variation. International Symposium on Nonlinear Theory and Its Applications.


• Liu, J., Tse, C. K., & He, K. (2011). Fierce stock market fluctuation disrupts scalefree distribution. Quantitative Finance, 11(6), 817–823.


• Liu, X. F., & Tse, C. K. (2010). A complex network perspective to volatility in stock markets. 2010 International Symposium on Nonlinear Theory and Its Applications NOLTA, 402–405.


• Mantegna, R. N. (1999). Hierarchical structure in financial markets. The European Physical Journal B-Condensed Matter and Complex Systems, 11(1), 193–197.


• Mhanga, S., & Berg, A. (2019). Robo-advisors on the Swedish Market: From a Portfolio Management Perspective.


• Nourahmadi, M., & Sadeqi, H. (2021). Hierarchical Risk Parity as an Alternative to Conventional Methods of Portfolio Optimization: (A Study of Tehran Stock Exchange). Iranian Journal of Finance, 5(4), 1–24. https://doi.org/10.30699/ijf.2021.289848.1242.


• Onnela, J.-P., Chakraborti, A., Kaski, K., Kertesz, J., & Kanto, A. (2003). Dynamics of market correlations: Taxonomy and portfolio analysis. Physical Review E, 68(5), 56110.


• Peralta, G., & Zareei, A. (2016). A network approach to portfolio selection. Journal of Empirical Finance, 38, 157–180.


• Sharpe, W. F. (1991). The arithmetic of active management. Financial Analysts Journal, 47(1), 7–9.


• Shukla, R. (2004). The value of active portfolio management. Journal of Economics and Business, 56(4), 331–346.


• Vizgunov, A., Goldengorin, B., Kalyagin, V., Koldanov, A., Koldanov, P., & Pardalos, P. M. (2014). Network approach for the Russian stock market. Computational Management Science, 11(1–2), 45–55.


• Wei, K. C. J., Liu, Y.-J., Yang, C.-C., & Chaung, G.-S. (1995). Volatility and price change spillover effects across the developed and emerging markets. Pacific-Basin Finance Journal, 3(1), 113–136.