ارايه يك مدل خطي استوار جهت تشكيل صندوق شاخصي

A Robust Linear Programming Model for Index Fund Construction

در اين تحقيق استراتژي تخصيص اثربخش دارايي ها در شرايط عدم اطمينان با قابليت كنترل ريسك، كاهش هزينه هاي معاملاتي و تحقق بازده هدف گذاري شده مورد مطالعه قرار گرفت. به منظور پيادهسازي اين استراتژي و غلبه بر محدوديت مدل هاي كلاسيك بهينه سازي پورتفوي در مواجهه با عدم قطعيت، تشكيل صندوق شاخصي با رويكرد استوار و محدوديت عدد صحيح مد نظر قرار گرفت. در اين راستا يك مدل برنامه ريزي خطي بصورت كمينهسازي قدر مطلق انحراف ميان بازدهي مورد انتظار صندوق و شاخص بورس به منظور حل مساله رديابي شاخص معرفي گرديد. با توجه به ابعاد فضاي جواب، از الگوريتم فراابتكاري ژنتيك جهت حل نظير استوار مساله بهره گرفته شد. نتايج حاصل از تجزيه و تحليل دادهها بر انتخاب 02 سهم و عملكرد مناسب صندوق هاي تشكيل شده در رديابي شاخص مبتني بر معيارهايي چون همبستگي، ريشه دوم ميانگين مربعات خطا و بازدهي مازاد با بهرهگيري از دادههاي تست دلالت دارد.

In This Study, the Strategy of Effective Asset Allocation Under Uncertainty with the Capability of Risk Control, Transaction Cost Reduction and Favorable Return Realization is Investigated. In Order to Implement this Strategy and to Overcome the Shortfalls of Classic Portfolio Optimization Models in Dealing with Uncertainty, the Formation of an Index Fund Using a Robust Approach and Considering Cardinality Constraint Became the Agenda. Accordingly, in Order to Solve the Index Tracking Problem, a Linear Programming Model as Minimizing the Absolute Ceviation Between the Expected Return of the Index Fund and That of the Benchmark is Presented. Considering the Dimension of the Solution Space, a Meta Heuristic Genetic Algorithm Was Implemented to Solve the Robust Counterpart of the Problem. The Results of the Analysis Imply on the Selection of 20 Stocks as the Index Fund Composition and Indicate Good Performance of the Index Tracking Funds Based on Criteria such as Correlation, Root Mean Square Error and the Excess Return Using Out of Sample Data