مدل های ریاضی بهینه سازی سبد سهام
چکیده
در این پایان نامه به بررسی مدلهای چندهدفه در مسئله بهینه سازی سبد سهام پرداخته می شود. مسئله بهینه سازی سبد سهام (optimization portfolio) یکی از ستون های ریاضیات کاربردی به شمار می رود. مسئله انتخاب پرتفوی یکی از انواع مختلف مسائل غیرخطی چندهدفه می باشد. همیشه در علوم مالی این مسئله وجود داشته است که چگونه سرمایه گذاری ها را برای تشکیل یک سبد بهینه ترکیب کنند بحث بر روی این مسائل را انتخاب سبد بهینه (portfolio selection) می نامند که پیشینه تاریخی آن به دهه ی 1950 برمی گردد. رهیافت مارکویتز (markowitz) برای حل مسئله مبتنی بر انتخاب سبد بهینه با کمترین ریسک و بیشترین بازده یکی از پرکاربردترین نظریه های مطرح در سطح بازارهای مالی بوده است. مارکویتز در سال1952 با در نظر گرفتن فضای دو بعدی ریسک و بازده، مفهومی به نام «سبد کارا» را به شرح زیر معرفی کرد: سبد کارا، سبدی است که دارای حداقل واریانس در ازای بازده معین یا دارای حداکثر بازده در ازای ریسک معین باشد. در فضای دو بعدی ریسک و بازده، سبدهایی که دارای این ویژگی باشند روی منحنی به نام «مرز کارا» قرار می گیرند. در این پایان نامه، ابتدا مدل کلاسیک میانگین- واریانس مارکویتز را مطرح می کنیم. به منظور کاراتر کردن این رهیافت، ایده استفاده از گشتاور مرتبه بالاتر در مسئله بهینه سازی سبد در سال های اخیر مطرح بوده است. این ایده اولین بار توسط کونو و همکاران (1990) مطرح شد. با در نظرگرفتن اینکه، اگرتوزیع بازده کالاها حول میانگین نامتقارن باشد گشتاور سوم یک نقش مهم را بازی می کندو در حالت خاص، سرمایه گذار اگر امکان انتخاب بین سبدهایی با میانگین و واریانس برابر را داشته باشد سبدی را ترجیح می دهد که گشتاور سوم بالاتری را دارد. در ادامه مدل های چندهدفه که تفاوتشان با مدل کلاسیک مارکویتز در اینست که سرمایه گذاران به غیر از دو عامل ریسک و بازده ملاحظات دیگری را در هنگام تشکیل پرتفوی خود مانند افزایش نقدینگی یا کاهش میزان فروش استقراضی و... را در نظر می گیرند و در این راستا مسئله برنامه ریزی چندهدفه تصادفی بوجود می آید که برای حل به مسائل معادل قطعی تبدیل می شوند. در این پایان نامه با در نظر گرفتن این ایده، مسئله انتخاب سبد بهینه را حل می کنیم. تاکید ما بر پیاده سازی در محیط متلب خواهد بود. داده های مورد مطالعه بازار بورس اوراق بهادار تهران می باشد.