Abstract:
این تحقیق به ارائه مدلی برای بهینهسازی پرتفوی جهت مدیریت صندوق شاخصی بهبود یافته میپردازد. مدیریت صندوق شاخصی بهبود یافته دو هدف اساسی را نسبت به مدیریت فعال و مدیریت منفعلانه دنبال میکند. صندوق شاخصی بهبود یافته از یکسو در تلاش برای دستیابی به بازده بیشتر نسبت به شاخص است و از سوی دیگر، برای کاهش انحراف از شاخص تلاش میکند. در این مقاله چگونگی بهکارگیری الگوریتم ژنتیک برای حل مسئله تشکیل صندوق شاخصی بهبود یافته با در نظر گرفتن محدودیت تعداد داراییهای مختلف و همچنین محدودیت در وزن تخصیص داده شده به داراییهای مختلف صندوق، شرح داده شده است. دوره زمانی مورد استفاده برای این پژوهش از خرداد 1378 تا خرداد 1389 در بورس اوراق بهادار تهران بود. نتایج حاصل از بارگیری مدل پیشنهادی با شاخص قیمت و بازده نقدی مقایسه گردید. نتایج این مقایسه بیانگر این است که میانگین بازده صندوقهای شاخصی بهبود یافته تفاوت معنیدار آماری با بازده شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران دارد و از آن بیشتر است.
This study proposes a portfolio optimization scheme for Enhanced index fund management. Enhanced index fund management has two basic goals in relation to passive and active management. Enhanced index fund aims to earn a higher return than the index while minimizing the risk of deviating from the index. This paper demonstrates how a genetic algorithm can be used to solve the enhanced index fund construction problem with constraints on the cardinality and with upper and lower limits on the included asset's weights. The sample period used is from May 1999 to May 2010 in the Tehran Stock Exchange (TSE). The experimental results have been compared with TEDPIX. The result of these comparisons shows that average return of enhanced index fund is statistically significant greater than return of TEDPIX.
Machine summary:
در این مقاله چگونگی به کارگیری الگوریتم ژنتیک برای حل مسئله تشکیل صندوق شاخصی بهبود یافته با در نظر گرفتن محدودیت تعداد دارایی های مختلف و همچنین محدودیت در وزن تخصیص داده شده به دارایی های مختلف صندوق ، شرح داده شده است .
به همین دلیل ، در این تحقیق برای تشکیل صندوق شاخصی بهبود یافته از الگوریتم ژنتیک استفاده شده است .
Beasley, et al) با استفاده از الگوریتم تکاملی ١ برای صندوق های شاخصی ، الگویی را ارائه نمودند که در آن ، علاوه بر بازده مشابه با بازده شاخص ، قابلیت دست یابی به یک بازده اضافی نیز در نظر گرفته شده بود.
این محققان روش ابداعی خود را برای تشکیل صندوق شاخصی بهبود یافته ای با هدف دست یابی به بازده بیشتر از بازده شاخص متوسط صنعتی داوجونز٤ مورد آزمون قرار دادند.
حنیفی و همکاران (١٣٨٨) با استفاده از الگوریتم ژنتیک مدلی را برای انتخاب پرتفوی ردیابی - کننده شاخص قیمت و بازده نقدی ارائه نمودند.
گرکز و همکاران (١٣٨٩) با استفاده از الگوریتم ژنتیک و در چارچوب مدل های میانگین واریانس و میانگین نیم واریانس به انتخاب پرتفوی بهینه از بین ١٤٦ شرکت پذیرفته شده در بورس اوراق بهادار تهران پرداختند.
متغیر کمکی yi در واقع وزن هر سهم در پرتفوی صندوق است که به صورت زیر محاسبه می شود: ViTxi yi = (12) c با جایگذاری متغیر yi در تابع هدف (٦) و محدودیت های (٨)، (٩)، (١٠) و (١١) متغیرهای xi و c حذف شده ، در نتیجه می توان مسئله را مستقل از بودجه صندوق شاخصی بهبود یافته ، حل نمود.