کاربرد ضرایب هم بستگی مبتنی بر کاپولا و اطلاعات متقابل در خوشه بندی سری های زمانی و تشکیل پرتفوی شاخصی ارتقایافته با استفاده از رویکرد بهینه سازی استوار

هدف: تشکیل پرتفوی شاخصی ارتقایافته، به عنوان یکی از استراتژی های مدیریت سرمایه گذاری، سعی در ترکیب مزایای دو رویکرد فعال و غیرفعال دارد. این پژوهش، به دنبال ارائه یک مدل دومرحله ای است که بتواند در مرحله نخست، عملکرد شاخص را با تعداد کمتری از سهام تشکیل دهنده شاخص بازسازی نماید و در مرحله دوم، اوزان پرتفوی شاخصی ارتقایافته را محاسبه کند. روش: در مرحله نخست، با استفاده از یک مدل برنامه ریزی ریاضی صفر و یک به منظور خوشه بندی سری های زمانی، پرتفوی ردیاب شاخص شکل گرفت. معیارهای ضرایب هم بستگی مبتنی بر کاپولا و همچنین اطلاعات متقابل به عنوان شاخص های شباهت سری های زمانی در این مرحله استفاده شدند. در مرحله دوم، اوزان سرمایه گذاری در سهم های منتخب، به گونه ای مشخص شد که بازده مازاد پرتفوی نسبت به پرتفوی شاخصی ایجادشده در مرحله اول (نماینده شاخص)، بیشینه شود. عدم قطعیت ناشی از تخمین بازده مازاد سهم ها در مرحله دوم، با استفاده از رویکرد بهینه سازی استوار در نظر گرفته شده است. یافته ها: نتایج آزمون خارج از نمونه روی شاخص ۵۰ شرکت فعال تر بورس اوراق بهادار تهران، در بازه زمانی بهار ۱۳۹۴ تا بهار ۱۳۹۷ با استفاده از خطای ردیابی و نسبت بازار، نشان از این موضوع دارد که علاوه بر موفقیت معیارهای شباهت ذکرشده در خوشه بندی سری های زمانی و تشکیل پرتفوی مبتنی بر شاخص، در سطح اطمینان ۹۹ درصد، پرتفو های شاخصی ارتقایافته مبتنی بر ضرایب هم بستگی کاپولای نرمال، تی و کلایتون دارای اختلاف بازده مثبت معنادار با شاخص هستند. نتیجه گیری: استفاده از ضرایب هم بستگی مبتنی بر کاپولا و همچنین رویکرد بهینه سازی استوار به منظور درنظرگرفتن عدم قطعیت پارامترها، در تشکیل پرتفوی شاخصی ارتقایافته، موفق عمل می کند.

کلیدواژه ها:

پرتفوی شاخصی ارتقایافته ، خوشه بندی ، کاپولا ، اطلاعات متقابل ، بهینه سازی استوار