مدل‌های بهینه‌سازی پرتفوی (سبد سهام) در تحقیق در عملیات

از مدل مارکویتز تا رویکردهای پیشرفته در مدیریت سرمایه

یکی از مهم‌ترین کاربردهای تحقیق در عملیات در مالی، بهینه‌سازی پرتفوی (Portfolio Optimization) است.

سرمایه‌گذاران همیشه با یک مسئله کلاسیک روبه‌رو هستند:

چگونه بین دارایی‌های مختلف سرمایه را طوری تقسیم کنیم که بازده بیشینه و ریسک کنترل شود؟

این دقیقاً یک مسئله بهینه‌سازی است — و جایی که تحقیق در عملیات وارد میدان می‌شود.

---

پرتفوی چیست؟

پرتفوی یا سبد سرمایه‌گذاری، ترکیبی از دارایی‌هاست مانند:

• سهام
• اوراق قرضه
• صندوق‌های سرمایه‌گذاری
• طلا
• ارز
• املاک
• رمزارز

هدف:

✅ افزایش بازده

✅ کاهش ریسک

✅ ایجاد تعادل منطقی بین این دو

---

مسئله اصلی: تعادل بین ریسک و بازده

در بازارهای مالی یک اصل ساده وجود دارد:

$$بازدهبالاتر\Rightarrow ریسکبالاتر$$

پس مسئله بهینه‌سازی پرتفوی یعنی:

• یا برای یک سطح مشخص ریسک، بازده را بیشینه کنیم
• یا برای یک سطح مشخص بازده، ریسک را کمینه کنیم

---

مدل کلاسیک مارکویتز (Mean-Variance Model)

هری مارکویتز در سال 1952 مدلی ارائه کرد که پایه مدرن مدیریت پرتفوی است.

ایده اصلی:

• بازده = میانگین بازده مورد انتظار
• ریسک = واریانس یا انحراف معیار بازده

فرم کلی مدل:

هدف:

Minimize σp2​

به شرط:

∑wi​Ri​=R∗ 

و

∑wi​=1

• که در آن :
• w i وزن دارایی i
• R i بازده مورد انتظار
• σp2 واریانس پرتفوی
• R* بازده هدف

---

خروجی مدل مارکویتز: مرز کارا (Efficient Frontier)

مدل مجموعه‌ای از پرتفوی‌های بهینه تولید می‌کند که به آن مرز کارا می‌گویند.

ویژگی مرز کارا:

• هیچ پرتفویی خارج از این منحنی بهتر نیست
• هر نقطه روی آن بهترین ترکیب ریسک–بازده در آن سطح است

این یکی از زیباترین نتایج ریاضی در مالی است.

---

محدودیت‌های مدل مارکویتز

با وجود اهمیت بالا، این مدل محدودیت‌هایی دارد:

• حساسیت شدید به داده‌های ورودی
• فرض نرمال بودن بازده‌ها
• بی‌توجهی به هزینه معاملات
• فرض نقدشوندگی کامل

به همین دلیل، مدل‌های پیشرفته‌تری توسعه یافتند.

---

مدل‌های پیشرفته در بهینه‌سازی پرتفوی

1️⃣ مدل حداقل ریسک (Minimum Variance Portfolio)

فقط تمرکز بر کمینه‌سازی ریسک دارد.

---

2️⃣ مدل حداکثر نسبت شارپ (Max Sharpe Ratio)

هدف:

maxσp​Rp​−Rf​​

که در آن:

• Rf​ نرخ بدون ریسک

---

3️⃣ مدل‌های مبتنی بر CVaR (ریسک دم توزیع)

به‌جای واریانس، از معیارهای ریسک واقع‌بینانه‌تر استفاده می‌کنند.

---

4️⃣ بهینه‌سازی خطی با محدودیت‌های عملیاتی

در واقعیت، محدودیت‌هایی وجود دارد مانند:

• حداقل سرمایه‌گذاری در هر دارایی
• حداکثر وزن یک سهم
• ممنوعیت فروش استقراضی
• محدودیت نقدشوندگی

اینجا برنامه‌ریزی خطی و عدد صحیح وارد عمل می‌شوند.

---

5️⃣ بهینه‌سازی مقاوم (Robust Optimization)

برای مقابله با عدم قطعیت داده‌ها استفاده می‌شود.

---

کاربرد عملی در بازار ایران

در بازار سرمایه ایران، بهینه‌سازی پرتفوی می‌تواند برای:

• مدیریت صندوق‌های سرمایه‌گذاری
• ترکیب سهام بنیادی و رشدی
• مدیریت ریسک در شرایط نوسانی
• تعیین وزن صنایع مختلف

استفاده شود.

---

تفاوت تحلیل سنتی با بهینه‌سازی پرتفوی

چرا بهینه‌سازی پرتفوی مهم است؟

✅ کاهش ریسک غیرسیستماتیک

✅ تصمیم‌گیری ساختاریافته

✅ مدیریت علمی سرمایه

✅ امکان شبیه‌سازی سناریوها

✅ مناسب برای صندوق‌ها و سرمایه‌گذاران حرفه‌ای

---

جمع‌بندی

بهینه‌سازی پرتفوی یکی از مهم‌ترین و موفق‌ترین کاربردهای تحقیق در عملیات در مالی است.

از مدل کلاسیک مارکویتز تا روش‌های پیشرفته مقاوم و مبتنی بر ریسک دم توزیع، همه این مدل‌ها تلاش می‌کنند یک چیز را حل کنند:

چگونه بهترین ترکیب سرمایه‌گذاری را پیدا کنیم؟

برنامه‌ریزی خطی در اقتصاد و مالی چیست؟