بررسی کارایی مدل N/۱ در انتخاب پرتفوی
محل انتشار: فصلنامه تحقیقات مالی، دوره: 23، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 242
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-23-1_001
تاریخ نمایه سازی: 10 بهمن 1400
چکیده مقاله:
هدف: از زمانی که کار اولیه مارکویتز، مبنی بر مدل سرمایه گذاری تک دوره ای ارائه شد، مسئله انتخاب پرتفوی در حوزه های علمی و صنعتی، به مسئله ای بنیادین در مدیریت سرمایه گذاری تبدیل شد. علی رغم مطرح شدن تئوری ها و روش های مختلف، با توجه به اینکه مدل N/۱ به برآورد پارامترهای دیگر در بهینه سازی بی نیاز است و محاسبه های ساده ای دارد، همچنان در انتخاب پرتفوی در کانون توجه قرار می گیرد. هدف از این پژوهش بررسی کارایی مدل N/۱ در انتخاب پرتفوی است. روش: در این پژوهش هم برای انتخاب پرتفوی بهینه و هم برای سنجش عملکرد پرتفوی، از روش ها و مدل های مختلفی استفاده شده است که یکی از این روش ها، روش تصمیم گیری چندمعیاره ELECTRE برای رتبه بندی مدل های پژوهش است. روش های انتخاب پرتفوی بهینه در این پژوهش، مدل های N/۱، میانگین واریانس، حداقل واریانس و همچنین، مدل ترکیبی حداقل واریانس و N/۱ است. برای ارزیابی عملکرد پرتفوی نیز، از معیارهایی نظیر معیار شارپ، معیار ترینر، معیار مودیلیانی مودیلیانی، معیار اطلاعات و معیار سورتینو استفاده شده است. یافته ها: به طور نسبی، از لحاظ معیارهای شارپ و مودیلیانی مودیلیانی، عملکرد مدل N/۱؛ از لحاظ معیار ترینر، عملکرد مدل میانگین واریانس و از لحاظ معیارهای اطلاعات و سورتینو، عملکرد مدل ترکیبی حداقل واریانس و N/۱ بهتر بوده است. نتیجه گیری: در نهایت، به کمک روش تصمیمیری چندمعیاره ELECTRE مدل های پژوهش رتبه بندی شدند که نتایج آن، از برتری مدل N/۱ و مدل حداقل واریانس نسبت به مدل های دیگر حکایت می کند.
کلیدواژه ها:
نویسندگان
رضا راعی
استاد، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران.
سعید باجلان
استادیار، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران.
علیرضا عجم
دانشجوی دکتری، گروه مالی و بیمه، دانشکده مدیریت دانشگاه تهران، تهران، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :