در استراتژی فعالانه متوازن سازی که از آن با نام استراتژی بهینه لگاریتمی نیز یاد می‌شود، فرآیند متوازن‌سازی به صورت پیوسته زمان اجرا شده تا تابع مطلوبیت سرمایه گذار نوعی در بیشترین مقدار ممکن خود قرار داشته باشد. اما پیاده سازی این استراتژی از نظر وجود هزینه زیاد معاملات، عملاً توجیه‌ناپذیر و غیرممکن است. در این پژوهش، به دنبال معرفی استراتژی دیگری هستیم که بتوان با استفاده از پارامترهای مدل استراتژی فعالانه اما با تناوب‌های متوازن‌سازی کمتر، مطلوبیتی برابر یا بیشتر از این استراتژی به دست آورد. از طرفی افق سرمایه‌گذاری نیز عاملی تأثیرگذار در این موضوع است و با تغییر افق سرمایه‌گذاری مقدار تناوب بهینه نیز تغییر خواهد کرد. هدف این پژوهش یافتن بهترین تناوب متوازن سازی از میان تمامی تناوب‌های موجود در یک افق سرمایه‌گذاری معین است. به این منظور پس از معرفی استراتژی‌های مختلف متوازن‌سازی به بیان استراتژی نیمه فعالانه و تناوب بهینه در آن به صورت تابعی از افق سرمایه‌گذاری پرداخته و نتایج حاصل را بر روی پرتفویی از سهام بورس اوراق بهادار پیاده‌سازی خواهیم کرد. پیاده سازی این مدل با نادیده گرفتن محدودیت فروش استقراضی در بازار سرمایه ایران انجام شده است. نتایج نشان داد که تناوب های بهینه متفاوتی به ازای افق های سرمایه گذاری مختلف وجود داشته و حساسیت در انتخاب این تناوب برای افق های زمانی کوتاه تر، نسبت به افق های زمانی بلندتر، بیشتر خواهد بود. همچنین، انتخاب این تناوب و بکارگیری آن در استراتژی نیمه فعالانه، مطلوبیت بیشتری را برای سرمایه گذار نسبت به استراتژی فعلانه به همراه خواهد داشت. تفاصيل المقالة

در مسئله انتخاب سبد سرمایه‌گذاری که یکی از مهم‌ترین مسائل در حوزه مالی است، استفاده از مدلی که بتواند شرایط محیط‌های واقعی را در نظر بگیرد، اهمیت دارد. در بازارهای مالی، نوسانات شدید و متواتر سبب تغییر مکرر در خروجی‌های مدل‌های سبد سرمایه‌گذاری می‌گردد و این مسئله نیاز به تغییر وزن دارایی‌های موجود در سبد را افزایش می‌دهد که سبب تحمل هزینه‌های بالای مدیریتی و معاملاتی می‌شود. در ادبیات موجود در زمینه مدل‌های سبد سرمایه‌گذاری، یکی از رویکردهای مقابله با این نوع هزینه‌های زیاد رویکرد بهینه‌سازی استوار است. در این پژوهش تلاش شده است از الگوریتم ژنتیک و الگوریتم جهش قورباغه مخلوط شده برای حل مدل برنامه‌ریزی امکانی استوار ارائه‌شده توسط امیری و حیدری (1399) در ابعاد بزرگ‌تر و به‌منظور بهینه‌سازی سبد سهام استفاده شود. در این راستا 15 مسئله معین با ابعاد (تعداد شرکت و دوره زمانی) مختلف طراحی شده و پردازش روی آن‌ها صورت می‌گیرد. نتایج حاصل از اجرای دو الگوریتم بر روی 15 مسئله مذکور با استفاده از آزمون آماری T مورد مقایسه قرار گرفته است که بیانگر عدم تفاوت معنادار بین دو الگوریتم در انتخاب سبد سرمایه‌گذاری است اما رویکرد ترکیبی تاپسیس و وزن‌دهی آنتروپی، الگوریتم ژنتیک را به‌عنوان الگوریتم برتر انتخاب می‌کند. تفاصيل المقالة