کاربرد مولفه‌های اصلی (PCA) در مدیریت سبد سرمایه گذاری، مطالعه موردی: 50 شرکت برتر بورس اوراق بهادار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 نویسنده مسؤل: استادیار، دکتری مهندسی مالی، گروه حسابداری و مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران

2 استادیار، گروه حسابداری و مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران

چکیده

تشکیل سبد سرمایه گذاری یکی از اصلی‌ترین دغدغه‌های مدیران و سرمایه گذارانی است که همواره در جست‌وجوی تلاش برای تشکیل بهترین سبد سرمایه گذاری هستند تا بتوانند بیشترین بازده را از بازار بدست آورند. تاکنون روش‌های زیادی برای تشکیل سبد سرمایه گذاری معرفی شده است که مشهورترین آن رویکرد مارکویتز است. تئوری میانگین-واریانس به دلیل دشواری در تخمین بازده مورد انتظار و کواریانس برای طبقات مختلف دارایی دارای اشکالات عملی زیادی است. هدف از این پژوهش به حداکثر رساندن بازده تنظیم شده با ریسک در سبد سهام با استفاده از روش PCA در یک مجموعه داده از بازده سهام است. مجموعه داده مورد استفاده برای این مطالعه موردی، داده‌های روزانه تعدیل‌شده 50 شرکت شاخص برتر بورس و سهام مربوطه است برای دوره زمانی 1395-02-06 الی 11-09- 1399 برای 1027 روز معاملاتی است. از یک الگوریتم کاهش بعد (PCA) برای تخصیص سرمایه به کلاس‌های مختلف دارایی برای به حداکثر رساندن بازده‌های تعدیل شده توسط ریسک استفاده می‌‌کنیم و نتایج آن را با رویکرد تخصیص وزن برابر (1/N) مقایسه شده است. همچنین یک چارچوب پس آزمایی برای ارزیابی عملکرد سبدهای سرمایه گذاری‌ای که ارائه شده است، معرفی می‌-شود. مطابق نتایج نشان داده شد که واریانس توضیح داده شده توسط سه مولفه اصلی می‌تواند به عنوان شاخصی برای شناسایی مهم‌ترین ریسک‌های کسب و کار باشد.

کلیدواژه‌ها

عنوان مقاله [English]

The Application of the Main Components in Investment Basket Management: A Case Study of Fifty Stock Exchange Companies

نویسندگان [English]

  • Marziyeh Nourahmadi 1
  • Hojjatollah Sadeqi 2
1 Corresponding Author, Ph.D. in Financial Engineering, Accounting, and Financial Department, Faculty of Economics, Management and Accounting, Yazd University, Yazd.Yazd.Iran
2 Associate Professor, Department of Accounting and Financial Department, Faculty of Economics, Management, and Accounting, Yazd University, Yazd.Yazd.Iran
چکیده [English]

Abstract
Establishing an investment portfolio is one of the main concerns of managers and investors who are always looking for an effort to form the best investment basket so that they can achieve the most returns. So far, there have been many ways to form an investment basket, the most famous of which is Maritz's approach. The average theory of variance has many practical drawbacks due to the difficulty in estimating the expected returns and covariance for different asset classes. The purpose of this study is to maximize risk -adjusted return on the portfolio using PCA method in a data base of stock returns. The data base used for this case study is the daily data modified of 50 top stock and relevant stock index companies for the period 25/4/2016 to 7/2/2021 for 1027 trading days. We use a dimensional reduction algorithm (PCA) to allocate capital to different asset classes to maximize risk -adjusted returns and the results are compared with the equal weight allocation approach (1/N). There is also a post -test framework for evaluating the performance of the investment baskets provided. According to the results, the variance explained by the three main components can be an indicator for identifying the most important business risks.

کلیدواژه‌ها [English]

  • Analysis of Basic Components
  • Optimization
  • Stock Basket
  • Systematic Risk Classification

مراجع

راعی، رضا؛ باجلان، سعید و عجم، علیرضا (1397). بررسی کارآیی بهینه‏سازی سبد سرمایه‏گذاری با استفاده از الگوی ترکیبی حداقل واریانس و 1/N. . مدیریت دارایی و تأمین مالی، 6(4)، 155–166.
کریمی، آرزو (1400). بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک چند هدفه (NSGA II) و ماکزیمم نسبت شارپ. مهندسی مالی و مدیریت اوراق بهادار، 12(46), 410-389.
نبی‌زاده، احمد؛ قره‌باغی، هادی و بهزادی، عادل (1396). بهینه‌سازی پرتفوی ردیابی شاخص بر اساس بتای نامطلوب مبتنی بر الگوریتم‌های تکاملی. تحقیقات مالی، 19(2)، 340-319.
Agarwal, T., Quelle, H., & Ryan, C. (2021). Principal Component Analysis for Clustering Stock Portfolios. Arizona Journal of Interdisciplinary Studies, 7,
Bechis, L., Cerri, F., & Vulpiani, M. (2020). Machine Learning Portfolio Optimization: Hierarchical Risk Parity and Modern Portfolio Theory.
Billio, M., Getmansky, M., Lo, A. W., & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of Financial Economics, 104(3), 535–559.
Brinson, G. P., Hood, L. R., & Beebower, G. L. (1986). Determinants of portfolio performance. Financial Analysts Journal, 42(4), 39–44.
Cochrane, J. H. (1999). Portfolio advice for a multifactor world. National Bureau of Economic Research,
Conlon, T., Cotter, J., & Kynigakis, I. (2021). Machine Learning and Factor-Based Portfolio Optimization. Available at SSRN 3889459.
Gabriel, C. (2014). Common factors in international bond returns and a joint ATSM to match them. Theoretical Economics Letters,
Gorakala, S. K., & Usuelli, M. (2015). Building a recommendation system with R. Packt Publishing Ltd.
Gu, S., Kelly, B., & Xiu, D. (2021). Autoencoder asset pricing models. Journal of Econometrics, 222(1), 429–450.
Jolliffe, I. T. (1986). Principal components in regression analysis. In Principal component analysis (pp. 129–155), Springer.
Kelly, B. T., Pruitt, S., & Su, Y. (2019). Characteristics are covariances: A unified model of risk and return. Journal of Financial Economics, 134(3), 501–524.
Kim, D.-H., & Jeong, H. (2005). Systematic analysis of group identification in stock markets. Physical Review E, 72(4), 46133.
Kritzman, M., Li, Y., Page, S., & Rigobon, R. (2011). Principal components as a measure of systemic risk. The Journal of Portfolio Management, 37(4), 112–126.
Kumar, S. (2022). Effective hedging strategy for us treasury bond portfolio using principal component analysis. Academy of Accounting and Financial Studies Journal, 26(2), 1–17.
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.
Partovi, M. H., & Caputo, M. (2004). Principal portfolios: Recasting the efficient frontier. Economics Bulletin, 7(3), 1–10.
Pérignon, C., Smith, D. R., & Villa, C. (2007). Why common factors in international bond returns are not so common. Journal of International Money and Finance, 26(2), 284–304.
Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine Learning and Data Science Blueprints for Finance From Building Trading Strategies to Robo-Advisors Using Python. O’Reilly Media, Inc.
Tobin, J., & Hester, D. D. (1967). Risk aversion and portfolio choice. Wiley.
Yang, L. (2015). An application of principal component analysis to stock portfolio management.
Zheng, Z., Podobnik, B., Feng, L., & Li, B. (2012). Changes in cross-correlations as an indicator for systemic risk. Scientific Reports, 2(1), 1–8.
پژوهش‌های راهبردی بودجه و مالیه
دوره 3، شماره 1 - شماره پیاپی 9
فصلنامه بهار
تیر 1401
صفحه 95-71

فایل ها

سابقه مقاله

  • تاریخ دریافت: 28 دی 1400
  • تاریخ بازنگری: 17 اردیبهشت 1401
  • تاریخ پذیرش: 17 اردیبهشت 1401

هم رسانی

ارجاع به این مقاله

آمار