بهينه‌سازي سبد سهام در سطح صنايع همراه با در نظر گرفتن محدوديت‌ها در عمل: ميزان نقدشوندگي، هزينه معاملات، ضريب گردش سبد و خطاي تعقيب

Stock Portfolios Optimization at the Industry Level Regarding Constraints in Practice: Liquidity, Transaction Cost, Turnover & Tracking-error

هدف هدف اصلي اين پژوهش، بهينه سازي سبد سهام در سطح صنايع براي يك شركت سرمايه گذاري در عمل با در نظر گرفتن برخي محدوديت ها (ميزان نقدشوندگي هر صنعت در يك ماه، هزينه معاملات، ضريب گردش سبد و خطاي تعقيب) است. روش ابتدا آزمون فرضيه پژوهش انجام شد. در مرحله اول، بهينه سازي بدون اعمال محدوديت ها و سپس بهينه سازي با اعمال همه محدوديت ها به جز خطاي تعقيب و در مرحله سوم بهينه سازي با اعمال همه محدوديت ها اجرا شد. يافته ها: آزمون فرضيه نشان داد كه بهينه سازي سبد نسبت به ساخت سبد تصادفي، نسبت شارپ بالاتري را نتيجه مي دهد و از نظر آماري معنادار است. يافته هاي مرحله اول نشان داد كه اين شركت از مرز كارا فاصله دارد و براي هدف گذاري حداكثرسازي بازده، حداقل سازي ريسك و حداكثر سازي نسبت شارپ وزن هاي صنايع بايد تغيير كند (پيشنهاد مي شود كه وزن صنعت قند و شكر و دارويي بيشتر از صنايع ديگر شود). يافته هاي مرحله دوم نشان داد كه اين شركت باز هم از مرز كارا فاصله دارد و مرز كارا كوچكتر شده و به سمت پايين و راست انتقال يافته است (پيشنهاد مي شود كه وزن صنعت قند و شكر و دارويي بيشتر از صنايع ديگر شود). در نهايت، يافته هاي مرحله سوم نشان داد كه اين شركت باز هم از مرز كارا فاصله دارد و مرز كارا به طور مجدد كوچكتر شده و به سمت پايين و راست انتقال يافته است (پيشنهاد مي شود كه وزن صنعت استخراج كانه هاي فلزي و شيميايي بيشتر از صنايع ديگر شود). نتيجه گيري: اعمال محدوديت هاي دنياي واقعي، نتايج متفاوتي را رقم مي زند.

Objective: This study seeks to optimize stock portfolios at the industry level for an intended investment company by considering some limitations (the amount of liquidity of each industry in a month, transaction costs, portfolio turnover, and tracking error) in practice. Methods: The research hypothesis was initially tested. In the first stage, the optimization was implemented without considering the restrictions. Then, the optimization was implemented by imposing all the constraints except the tracking error. In the third stage, the optimization was implemented by placing all the constraints. Results: The obtained results proved portfolio optimization statistically significant and indicated that it had a higher Sharpe ratio than the construction of a random portfolio. The first step of this study showed that the intended company was far from the efficient frontier. Also, to maximize returns, minimize risks, and maximize the Sharpe ratio, the weights of the industries were needed to be changed (the weight of the sugar and pharmaceutical industries are recommended to be increased). The second phase approved that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the sugar and pharmaceutical industry are recommended to be increased more than the weight of others). The third step showed that the company was still far from the efficient frontier and the efficient frontier had become smaller and moved downwards and to the right (the weight of the metal and chemical industry are required to be higher than others). Conclusion: Applying real-world constraints may end in different consequences.