بررسی کارآیی بهینهسازی سبد سرمایهگذاری با استفاده از الگوی ترکیبی حداقل واریانس و 1/N
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
همواره به مسئله انتخاب سبد به منزله یکی از مسائل اساسی در زمینه سرمایه گذاری توجه شده است. الگوها و روشهای مختلفی از زمان ارائه کار اولیه مارکویتز تاکنون برای انتخاب سبد سرمایهگذاری بهینه ارائه شده است. با این حال یافتن مفیدترین الگو در انتخاب این سبد همواره دغدغه سرمایهگذاران بوده است. هدف از این پژوهش بررسی کارآیی بهینهسازی سبد سرمایهگذاری با استفاده از الگویی جدید با نام الگوی ترکیبی حداقل واریانس و 1/N است؛ بدین منظور الگوی ترکیبی حداقل واریانس و 1/N ارائه و عملکرد این الگو با الگوهای حداقل واریانس و الگوی 1/N مقایسه شده است. برای ارزیابی عملکرد سبد سرمایهگذاری حاصل از الگوهای پژوهش از معیارهایی مانند شارپ، ترینر، مودیلیانی مودیلیانی، اطلاعات و سورتینو و درنهایت از روش تصمیمگیری چندمعیاره TOPSIS برای رتبهبندی الگوهای پژوهش استفاده شده است. نتایج پژوهش نشان دهنده برتری الگوی ترکیبی حداقل واریانس و 1/N نسبت به الگوهای دیگر است.
کلیدواژگان:
زبان:
فارسی
صفحات:
155 تا 166
لینک کوتاه:
magiran.com/p1934163
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!