مدیریت مالی هوشمند

مدیریت مالی هوشمند

چارچوب تلفیقی مدل‌های سری زمانی و بهینه‌سازی کلاسیک در مدیریت ریسک سبد سهام

نوع مقاله : مقاله پژوهشی

نویسندگان
محسن مهرآرا 1
حسین ولدپور 2
رسول برادران حسن زاده 3
1 استاد، گروه اقتصاد، دانشگاه تهران، تهران، ایران
2 گروه مهندسی مالی، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران
3 دانشیار، گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران
10.25843/JIFM.2025.8563.11999
چکیده
هدف: هدف این پژوهش، ارائه یک چارچوب تلفیقی از مدل‌های سری زمانی (ARMA-GARCH) و بهینه‌سازی کلاسیک (مارکوویتز) جهت ارتقای فرآیند مدیریت ریسک و تشکیل سبد سهام است. در این راستا، با به‌کارگیری داده‌های بورس اوراق بهادار، ابتدا نوسانات و رفتار بازدهی دارایی‌ها پیش‌بینی شده و سپس در الگوی بهینه‌سازی ادغام گردیده‌اند. نتایج نشان می‌دهد که این چارچوب تلفیقی با کنترل دقیق‌تر نوسانات و عدم‌قطعیت‌ها، نسبت به روش‌های تک‌بعدی، کارایی بهتری در کاهش ریسک سبد دارایی و بهبود نسبت بازده به ریسک ارائه می‌دهد.
روش‌شناسی: این مطالعه با به‌کارگیری رویکردی کمّی و اقتصادسنجی، داده‌های روزانه قیمت و بازدهی دارایی‌های یادشده را طی دوره فروردین ۱۳۹۵ تا اسفند ۱۴۰۲ بررسی کرده است. جهت مدل‌سازی نوسان‌پذیری شرطی از الگوی GARCH(1,1) با فرض توزیع t-استیودنت، برای برآورد ساختار همبستگی پویا از مدل DCC-GARCH و به‌منظور تعیین وزن‌های بهینه از چارچوب بهینه‌سازی میانگین-واریانس مارکویتز استفاده گردید.
یافته‌ها: نتایج نشان داد که مجموع ضرایب مدل GARCH برای تمامی دارایی‌ها در بازه ۰.۹۷۵ تا ۰.۹۷۹ قرار دارد که بیانگر ماندگاری و تداوم بالای نوسان‌پذیری در بازارها است. بیشترین میزان همبستگی شرطی بلندمدت میان سکه و طلای خام (۰.۸۷۳) و کمترین میزان آن میان مستغلات و سایر دارایی‌ها (در بازه ۰.۲۸۷ تا ۰.۳۱۲) مشاهده شد. همچنین، پرتفوی با حداکثر نسبت شارپ (با نسبت ۱.۷۲) و پرتفوی حداقل واریانس (با ارزش در معرض خطر روزانه ۲.۱۹- درصد) عملکرد به‌مراتب برتری در مقایسه با پرتفوی مبنا (با نسبت شارپ ۱.۳۱) ثبت کردند.
نتیجه‌گیری: یافته‌های پژوهش تایید می‌کند که تلفیق مدل‌سازی DCC-GARCH با بهینه‌سازی میانگین-واریانس مارکویتز موجب بهبود معنادار عملکرد پرتفوی در شرایط نااطمینانی اقتصاد ایران می‌شود و در این میان، مستغلات نقش رکن اصلی تنوع‌بخشی و کاهش ریسک را ایفا می‌کند.
کلیدواژه‌ها
تخصیص بهینه دارایی
DCC-GARCH
بهینه‌سازی مارکویتز
همبستگی پویا
مدیریت پرتفوی
مستغلات

عنوان مقاله English

An Integrated Framework of Time Series Models and Classical Optimization in Portfolio Risk Management

نویسندگان English

mohsen mehrara 1
Hossein Valadpour 2
Rasoul Baradaran Hassanzadeh 3
1 Professor, Department of Economics, University of Tehran, Tehran, Iran
2 Department of Financial Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran
3 Associate Professor, Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran
چکیده English

Objective: This research aims to present an integrated framework combining time series models (ARMA-GARCH) and classical optimization (Markowitz) to enhance the processes of risk management and portfolio construction. To this end, stock market data were utilized to first forecast asset return behavior and volatility, which were subsequently incorporated into the optimization model. The results indicate that, by more precisely controlling for volatility and uncertainty, this integrated framework outperforms single-approach methods in reducing portfolio risk and improving the return-to-risk ratio.
Methodology: Employing a quantitative and econometric approach, this study analyzed daily price and return data for the selected assets over the period from March 2016 to March 2024 (Farvardin 1395 to Esfand 1402). The GARCH(1,1) model (assuming a Student's t-distribution) was used to model conditional volatility; the DCC-GARCH model was employed to estimate the dynamic correlation structure; and the Markowitz mean-variance optimization framework was utilized to determine optimal asset weights.
Findings: The results indicated that the sum of GARCH model coefficients for all assets ranged from 0.975 to 0.979, reflecting high volatility persistence in the markets. The highest long-term conditional correlation was observed between gold coins and raw gold (0.873), while the lowest was found between real estate and other assets (ranging from 0.287 to 0.312). Furthermore, the portfolio with the maximum Sharpe ratio (1.72) and the minimum-variance portfolio (with a daily Value at Risk of -2.19%) demonstrated significantly superior performance compared to the benchmark portfolio (Sharpe ratio of 1.31).
Conclusion: The study's findings confirm that integrating DCC-GARCH modeling with Markowitz mean-variance optimization significantly improves portfolio performance amidst the economic uncertainty in Iran; notably, real estate serves as a key component for diversification and risk reduction.

کلیدواژه‌ها English

Optimal asset allocation
DCC-GARCH
Markowitz optimization
dynamic correlation
portfolio management
real estate
ابراهیمی، ایمان، مختاری، هادی، و رضوان، محمدتقی. (1404). تصمیمات شکل‌دهی و تخصیص بهینه پرتفوی سرمایه‌گذاری رمزارز با در نظر گرفتن همزمان ریسک و بازده. مطالعات مدیریت صنعتی، 23(77)، 45-84. doi: 10.22054/jims.2025.84024.2950
ابوالحسنی هستیانی، اصغر، علمی مقدم، مصطفی، منصوری، نسرین، و امینی میلانی، مینو. (1402). بررسی تأثیر تحریم‌های مالی و تجاری بر نرخ ارز در ایران (رهیافت فازی). اقتصاد مالی، 17(63)، 49-94. https://doi.org/10.30495/fed.2023.702185
آدینه‌وند، داریوش، علی رازینی، ابراهیم، خدام، محمود، اوحدی، فریدون، و هاشمی‌زاده، الهام سادات. (1402). بررسی کارآمدی مدل‌های بهینه‌سازی فرا ابتکاری الگوریتم ژنتیک چندهدفه تحت معیار ریسک MSV و الگوریتم ازدحام ذرات تحت معیار ریسک CVaR در تعیین سبد سهام شرکت‌های پذیرفته شده در سازمان بورس اوراق بهادار. اقتصاد مالی، 17(65)، 307-322. https://doi.org/10.30495/fed.2023.707996
ترکی, لیلا , بت شکن, محمود و محمد قاسمی, سهیلا . (1400). تخصیص بهینه دارایی‌ها با استفاده از پیش‌بینی بازدهی دارایی سهام و سکه در بازار سرمایه ایران. اقتصاد باثبات, 2(2), 143-180. doi: 10.22111/sedj.2021.40110.1125
حسین زاده,هدایت . (1398). پوشش و پناهگاه امن طلا در مقابل سهام و تورم در ایران. اقتصاد و تجارت نوین, 14(شماره 3 (شماره پیاپی: 44)), 71-95. https://jnet.ihcs.ac.ir/article_4993.html
حیدرزاده، حسینعلی، رهنمای رودپشتی، فریدون، رشیدی کمیجان، علیرضا، و نجفی، سیداسماعیل. (1403). تشکیل پرتفوی بر اساس کارایی حاصل از ریسک و بازده مبتنی بر توزیع با رویکرد تحلیل پوششی داده‌ها. تصمیم‌گیری و تحقیق در عملیات، 9(2)، 289-304. https://www.sid.ir/paper/1679676/fa
دهباشی, وحید , محمدی, تیمور , شاکری, عباس و بهرامی, جاوید . (1399). واکنش بازارهای ارز، سهام و طلا نسبت به تکانه‌های مالی در ایران: با تاکید بر اثرات سرریز تلاطم. پژوهش‌های اقتصادی ایران, 25(83), 1-27. doi: 10.22054/ijer.2020.44248.774
دولو, مریم , فدائی مولودی, حبیب اله و صفری طاهرخانی, علی . (1400). بررسی استراتژی تخصیص سهام بر اساس رویکرد ریسک برابر. راهبرد مدیریت مالی, 9(1), 25-53. doi: 10.22051/jfm.2020.22745.1818
رازقی,زهرا , تهرانی,رضا و حاجیها,زهره . (1403). ارائه الگوی پوشش ریسک و پرتفوی بهینه مبتنی بر سر ریز نوسانات سهام، ارز و طلا. دانش سرمایه‌گذاری, 15(58), 729-747. doi: 10.30495/jik.2024.76315.4453
رستمی، ژیلا، فتاحی، شهرام، و سهیلی، کیومرث. (1402). مدل‌سازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدل‌های پویا. اقتصاد مالی، 17(62)، 185-216. https://doi.org/10.30495/fed.2023.700132
گودرزی فراهانی، یزدان، اسماعیلی، بابک، خواجه، مروارید، و محبوبی متین، وحید. (1402). نقش شوک‌های ساختاری بازار سهام بر متغیرهای کلان اقتصادی با رویکرد مدل تعادل عمومی پویای تصادفی (DSGE). اقتصاد مالی، 17(65)، 153-176. https://doi.org/10.30495/fed.2023.707989
محبی, نگین و نجفی, امیرعباس . (1397). بهینه سازی سبد سرمایه گذاری چنددوره ای با رویکرد برنامه ریزی پویا. مطالعات مدیریت صنعتی, 16(50), 1-26. doi: 10.22054/jims.2018.9104
محمودی وحید، امام دوست مصطفی، شعبان پورفرد پژمان. بررسی نقش املاک و مستغلات در سبد دارایی سرمایه‌گذاران در ایران. فصلنامه پژوهش ها وسیاست های اقتصادی. ۱۳۹۵; ۲۴ (۸۰) :۲۴۱-۲۶۱. URL: http://qjerp.ir/article-۱-۱۱۰۸-fa.html
هاشمی، سیدمحمدامیر، و راعی، رضا. (1393). تخصیص دارایی به کمک تکنیک یکپارچه‌ای از روش‌های اقتصادسنجی (ARMA و GARCH) و فرایند تحلیل شبکه‌ای (ANP). مهندسی مالی و مدیریت اوراق بهادار، 5(18)، 135-168. https://journals.iau.ir/article_511517.html
Agrrawal, P., & Waggle, D. (2024). CRYPTOCURRENCIES AS A PART OF A MULTI-ASSET PORTFOLIO (Equities, Bonds, Real-Estate, Currencies, Commodities, Gold plus Digital Assets). Available at SSRN: https://ssrn.com/abstract=5025707
Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent measures of risk. Mathematical Finance, 9(3), 203–228. https://doi.org/10.1111/1467-9965.00068
Baur, D. G., & McDermott, T. K. (2010). Is gold a safe haven? International evidence. Journal of Banking & Finance, 34(8), 1886–1898. https://doi.org/10.1016/j.jbankfin.2009.12.008
Black, F., & Litterman, R. (1992). Global portfolio optimization. Financial Analysts Journal, 48(5), 28–43. https://doi.org/10.2469/faj.v48.n5.28
Chong, J., Miffre, J., & Stevenson, S. (2012). Conditional correlations and real estate investment trusts. Journal of Real Estate Portfolio Management, 18(2), 185–201. https://doi.org/10.1080/10835547.2012.12089920
Erb, C. B., & Harvey, C. R. (2013). The golden dilemma. Financial Analysts Journal, 69(4), 10–42. https://doi.org/10.2469/faj.v69.n4.1
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56. https://doi.org/10.1016/0304-405X(93)90023-5
Fama, E. F., & French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1–22. https://doi.org/10.1016/j.jfineco.2014.10.010
Frantz, R. (2020). It didn’t just happen overnight. In The beginnings of behavioral economics: Katona, Simon, and Leibenstein's X-efficiency theory (pp. 47-70). Academic Press. https://doi.org/10.1016/B978-0-12-815289-8.00004-6
Gonçalves, G., Wanke, P., & Tan, Y. (2022). A higher order portfolio optimization model incorporating information entropy. Intelligent Systems with Applications, 15, 200101. https://doi.org/10.1016/j.iswa.2022.200101
Hoesli, M., & Lekander, J. (2008). Real estate portfolio strategy and product innovation in Europe. Journal of Property Investment & Finance, 26(2), 162–176. https://doi.org/10.1108/14635780810857908
Krause, D. (2026). Cardboard crushes crypto: How vintage baseball cards outperformed digital gold in 2025. 1-17. https://ssrn.com/abstract=5999254
Laksana, R., Avianty, R. R., Nugraha, E., & Sukardi, H. A. (2026). Cryptocurrencies vs stocks: Analyzing returns, risks, and performance to determine the best investment. Journal of Business and Economics Research, 7(1), 99-109. https://doi.org/10.47065/jbe.v7i1.9075
Li, M., & Wu, Y. (2021). Dynamic decision model of real estate investment portfolio based on wireless network communication and ant colony algorithm. Wireless Communications and Mobile Computing, 2021(1), 9261312. https://doi.org/10.1155/2021/9261312
Lintner, J. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The Review of Economics and Statistics, 47(1), 13–37. https://doi.org/10.2307/1924119
Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.2307/2975974
Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.2307/2975974
Petukhina, A., Trimborn, S., Härdle, W. K., & Elendner, H. (2021). Investing with cryptocurrencies – evaluating their potential for portfolio allocation strategies. Quantitative Finance, 21(11), 1825-1853. https://doi.org/10.1080/14697688.2021.1880023
Pillarsetti, V., & Madhava Rao, K. (2025). Optimizing Investment Portfolio Allocation: Analyzing Trends and Dynamics of Alternative Investments in Estate Planning. Engineering, Technology & Applied Science Research, 15(1), 20545–20552. https://doi.org/10.48084/etasr.9532
Polisetty, T. (2026). A study on investor preference in portfolio construction for long-term wealth creation. Journal of Advance and Future Research, 4(1), 231-244. https://rjwave.org/jaafr/papers/JAAFRTH00004.pdf
Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of Risk, 2(3), 21–42. https://doi.org/10.21314/JOR.2000.038
Salo, A., Doumpos, M., Liesiö, J., & Zopounidis, C. (2024). Fifty years of portfolio optimization. European Journal of Operational Research, 318(1), 1-18. https://doi.org/10.1016/j.ejor.2023.12.031
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425–442. https://doi.org/10.1111/j.1540-6261.1964.tb02865.x
Thu Ta Naing. (2024). The construction of optimal portfolios of traditional investment and alternative investments [Master's thesis, Bangkok University]. DSpace at Bangkok University. http://dspace.bu.ac.th/jspui/handle/123456789/5765
Tobin, J. (1958). Liquidity preference as behavior towards risk. The Review of Economic Studies, 25(2), 65–86. https://doi.org/10.2307/2296205
Wu, S., Xu, Z., & Hu, Z. (2025). Application and validity of Markowitz portfolio theory in emerging financial markets. Advances in Economics, Management and Political Sciences, 233(1), 165-179. https://doi.org/10.54254/2754-1169/2025.BL28636