نماگرهای بهینه سازی سرمایه گذاری با مدل سلسله مراتبی

به گزارش اقتصاددان یک تحلیلگر مسائل مالی در یادداشتی اختصاصی برای اقتصاددان نوشت:
بهینه سازی پرتفوی همواره یکی از موضوعات داغ تحقیقات در مدل سازی مالی بوده است. بسیاری از مردم و شرکت ها برای کسب بازده خوب سعی در ایجاد و مدیریت سبد سرمایه گذاری بهینه دارند. ادبیات ریاضی دقیقی نیز به کمک موضوع بهینه سازی سبد سرمایه گذاری آمده است.
این مولفه ها مجموعه‌ای از پرتفولیوها است و بر اساس بر اساس برخی از اهداف قابل تعریف است.. هدف معمولاً عواملی مانند بازده مورد انتظار را به حداکثر می رساند و هزینه هایی مانند ریسک مالی را به حداقل می رساند . عواملی که در نظر گرفته می شوند ممکن است از مشهود (مانند دارایی ها ، بدهی ها ، سود یا سایر عوامل بنیادی ) تا نامشهود (مانند واگذاری انتخابی ) در این تحلیل متغیر هستند.

بهینه سازی وزن طبقات دارایی برای نگهداری، و بهینه سازی وزن دارایی ها در همان طبقه دارایی. نمونه اول انتخاب نسبت های موجود در سهام در مقابل اوراق قرضه است، در حالی که نمونه دوم انتخاب نسبت های زیر پرتفوی سهام در سهام X، Y و Z خواهد بود. سهام و اوراق قرضه اساساً مالی متفاوتی دارند. ویژگی ها و ریسک سیستماتیک متفاوتی دارندو از این رو می توان آنها را به عنوان طبقات دارایی جداگانه مشاهده کرد. نگهداری برخی از پورتفولیو در هر طبقه باعث ایجاد تنوع می شود و نگهداری دارایی های خاص مختلف در هر طبقه باعث تنوع بیشتر می شود. با استفاده از چنین روش دو مرحله ای، خطرات غیر سیستماتیک هم در سطح دارایی منفرد و هم در سطح طبقه دارایی حذف می شود
بهینه سازی پورتفولیو معمولاً با توجه به محدودیت هایی مانند محدودیت های نظارتی یا عدم نقدشوندگی انجام می شود. این محدودیت‌ها می‌تواند منجر به وزن‌های پرتفوی شود که بر روی نمونه کوچکی از دارایی‌های درون پرتفوی تمرکز می‌کند. زمانی که فرآیند بهینه‌سازی پورتفولیو تحت محدودیت‌های دیگری مانند مالیات، هزینه‌های تراکنش و هزینه‌های مدیریت باشد، فرآیند بهینه‌سازی ممکن است منجر به ایجاد یک سبد دارای تنوع کمتری می شود.
امروزه الگوریتم های زیادی بر اساس بهینه سازی وزن پرتفوی به جهت استفاده از همبستگی بین سهام ها با استفاده از داده های تاریخی توسعه یافته اند که یکی از آنها الگوریتم برابری ریسک سلسله مراتبی (HRP)، است. HRP ، با حذف رویکرد تحلیلی دقیق برای محاسبه وزن ها و در عوض تکیه بر رویکرد مبتنی بر یادگیری ماشین ثابت می کند قیمت های آتی سهام تاثیرقویتری بر کسب بازده بازار دارند این الگوریتم وزن‌هایی را تولید می‌کند که در برابر شوک‌های تصادفی در بازار سهام پایدار هستند.

برخی دارایی ها منع شوند. در برخی موارد، بهینه‌سازی سبد بدون محدودیت منجر به فروش کوتاه برخی از دارایی‌ها می‌شود. با این حال می توان فروش کوتاه مدت را ممنوع کرد. گاهی اوقات نگهداری یک دارایی غیرعملی است زیرا هزینه مالیات مربوطه بسیار زیاد است. در چنین مواردی باید محدودیت‌های مناسبی بر فرآیند بهینه‌سازی اعمال شود.

هزینه های تراکنش، هزینه های مبادله به منظور تغییر وزن پرتفوی است. از آنجایی که سبد بهینه با گذشت زمان تغییر می کند، انگیزه ای برای بهینه سازی مجدد مکرر وجود دارد. با این حال، معاملات بیش از حد مکرر هزینه های معاملاتی بسیار مکرر را به همراه خواهد داشت. بنابراین استراتژی بهینه یافتن فراوانی بهینه‌سازی مجدد و معامله است که به‌طور مناسب اجتناب از هزینه‌های مبادله را با اجتناب از چسبیدن به مجموعه‌ای از تاریخ گذشته از نسبت‌های پرتفوی جبران کند. این مربوط به موضوع خطای ردیابی است که در آن نسبت سهام در طول زمان از برخی معیارها در غیاب تعادل مجدد منحرف می شود.

ح