کاربرد پیش بینی احتمالاتی و بهینه سازی استوار به منظور درنظر گرفتن عدم قطعیت پارامترها دربهینه سازی پرتفوی بتای هوشمند (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: این پژوهش با استفاده از رویکرد پیش بینی احتمالاتی و بهینه سازی استوار، به منظور در نظر گرفتن عدم قطعیت پارامترهای مدل بهینه سازی پرتفوی در بازار سرمایه ایران انجام شده است. تمرکز اصلی این پژوهش، بر ارتقای عملکرد پرتفوی با لحاظ عدم قطعیت و بهره گیری از مدل های یادگیری ماشین، برای ساخت پرتفوهایی با نسبت شارپ بیشینه در بازار سرمایه ایران است. روش: در این مطالعه، دو رویکرد رایج به منظور در نظر گرفتن عدم قطعیت پارامترها در مدل بهینه سازی پرتفوی استفاده شده است. نخستین رویکرد رایج، رویکرد بهینه سازی استوار است که برای هر پارامتر، یک مجموعهعدم قطعیت ترسیم می کند و مسئله را به گونه ای تحلیل می کند که جواب ایجاد شده در شرایط بدبینانه پارامترها نیز بهینه باشد. رویکرد دیگر، مدل یادگیری ماشین پیشرفته تقویت سازی گرادیان طبیعی و استفاده خروجی آن در رویکرد پیش بینی احتمالاتی است. ورودی های این مدل، پنج اندیکاتور تکنیکال، از جمله شاخص قدرت نسبی، میانگین متحرک همگرایی/ واگرایی، میانگین محدوده واقعی، میانگین موزون قیمت معاملات و مومنتوم در نظر گرفته شده است. تحلیل تکنیکال یکی از رویکردهای اصلی در بررسی و پیش بینی روند بازارهای مالی است که بر پایه مطالعه و ارزیابی داده های تاریخی قیمت و حجم معاملات شکل گرفته است. در این روش فرض بر این است که تمام اطلاعات بنیادی و روانی بازار در قیمت ها منعکس می شود و حرکت قیمت ها، الگوهایی تکرارپذیر و قابل شناسایی ایجاد می کنند. این پژوهش در ده صنعت اعم از فلزات اساسی، پالایش فراورده های نفتی، بانک و مؤسسه های اعتباری، پتروشیمی و مواد شیمیایی، خودرو، سیمان، دارو، فلزات گران بها، لاستیک و پلاستیک و کانی های فلزی انجام شده است. صنایع نام برده، جزء بزرگ ترین صنایع بازار سرمایه ایران هستند و از منظر ارزش بازار، بخش عمده ای از بازار سرمایه را شامل می شوند. صنایع یاد شده، طیف گسترده ای از حوزه های تولیدی و خدماتی را دربرمی گیرند که هریک در اقتصاد و توسعه صنعتی کشور نقشی بنیادی دارند. در مجموع، هم افزایی این صنایع تنوع بخشی به اقتصاد، ارزآوری، اشتغال و توسعه پایدار را تقویت می کند. پس از پیاده سازی مدل های استوار و پیش بینی احتمالاتی در بهینه سازی پرتفوی، عملکرد نتایج با دو پرتفوی مبنای وزن برابر و مدل میانگین واریانس مارکوویتز با استفاده از شاخص شارپ مقایسه شد. یافته ها: با در نظر گرفتن داده های فروردین ۱۴۰۱ تا فروردین ۱۴۰۳، به عنوان داده های آموزش (در مدل گرادیان طبیعی تقویت شده) و تخمین پارامترها (در مدل بهینه سازی استوار) و داده های سال ۱۴۰۳ به عنوان تست، پرتفوهای هر ۱۰ صنعت تشکیل و بازده و ریسک آن ها با رویکرد خارج از نمونه محاسبه شد. مقایسه نتایج پرتفوها نشان داد که هر دو رویکرد ارائه شده در پژوهش، نسبت به پرتفوی های مبنا در سطح معناداری ۹۹ درصد، شاخص شارپ بیشتری دارند. نتیجه گیری: این پژوهش نشان داد که استفاده از پیش بینی های توزیعی به جای نقطه ای و ترکیب آن با استراتژی های بتای هوشمند و همچنین، در نظر گرفتن عدم قطعیت پارامترها در مدل های بهینه سازی پرتفوی، به ساخت پرتفویی با نسبت بازده به ریسک بالاتر منجر می شود و این عملکرد برتر در سطح معناداری ۹۹ درصد معنادار است. همچنین بر این اساس می توان نتیجه گرفت استفاده از شاخص های تکنیکال به عنوان عوامل اثرگذار بر بازده، می تواند در پیش بینی بازده موفق عمل کند و بهره برداری از آن ها به منظور تشکیل پرتفوی بتای هوشمند، به پرتفویی با عملکرد بهتر منتج می شود.Probabilistic Forecasting and Robust Optimization for Managing Uncertainty in Smart Beta Portfolio Optimization
Objective
This study employs a probabilistic forecasting approach and robust optimization to address parameter uncertainty in portfolio optimization models within the Iranian capital market. The main focus is on enhancing portfolio performance by accounting for uncertainty and utilizing machine learning models to construct portfolios with maximum Sharpe ratios.
Methods
Two common approaches are applied to incorporate parameter uncertainty into the portfolio optimization model. The first approach is robust optimization, which defines an uncertainty set for each parameter and analyzes the problem in such a way that the solution remains optimal even under worst-case parameter realizations. The second approach involves an advanced machine learning model, Natural Gradient Boosting (NGBoost), whose outputs were employed within a probabilistic forecasting framework. The model inputs included five technical indicators: Relative Strength Index (RSI), Moving Average Convergence/Divergence (MACD), Average True Range (ATR), Average Price Trading (ATP), and Momentum. Technical analysis is one of the main approaches in examining and forecasting financial market trends, which is based on the study and evaluation of historical price and trading volume data. This method assumes that all fundamental and psychological information of the market is reflected in prices, and that price movements form recognizable and repeatable patterns. The study is conducted across 10 industries, including basic metals, oil refining, banking and financial institutions, petrochemicals and chemicals, automotive, cement, pharmaceuticals, precious metals, rubber and plastics, and metallic minerals. The aforementioned industries are among the largest sectors of the Iranian capital market and, in terms of market value, constitute a substantial portion of the market. These industries encompass a wide range of production and service domains, each playing a fundamental role in the country’s economy and industrial development. Overall, the synergy of these industries strengthens economic diversification, foreign exchange earnings, employment, and sustainable development. After applying robust and probabilistic forecasting models in portfolio optimization, the results were compared against two benchmark portfolios—an equal-weight portfolio and the Markowitz mean-variance model—using the Sharpe ratio as the evaluation metric.
Results
"Using data from March 2022 to March 2024 for training the NGBoost model and estimating parameters for robust optimization, and 2024 data as the test set, portfolios were constructed for all ten industries. Their out-of-sample risk and return were then calculated. The comparison indicated that both proposed approaches significantly outperformed the benchmark portfolios, achieving higher Sharpe ratios at the 99% confidence level.
Conclusion
The findings demonstrate that employing distributional rather than point forecasts, combined with smart beta strategies and robust parameter consideration in portfolio optimization, leads to portfolios with superior risk-return trade-offs. This enhanced performance is statistically significant at the 99% level. Furthermore, the results indicate that incorporating technical indicators as explanatory factors for returns can effectively improve return predictability. Leveraging these indicators in smart beta portfolio construction yields portfolios with superior performance.
تبلیغات
