بهینهسازی نظریه پرتفوی پسامدرن (PMPT)
بهینهسازی نظریه پرتفوی پسامدرن (PMPT) چارچوبی برای ساخت پرتفویهای سرمایهگذاری است که با کمینهسازی ریسک نزولی—که بهعنوان بازدههای زیر یک هدف مشخص یا حداقل بازده قابلقبول تعریف میشود—بهجای واریانس کل عمل میکند. این رویکرد نظریه پرتفوی مدرن (MPT) را گسترش میدهد، زیرا تشخیص میدهد سرمایهگذاران معمولاً ضررها و سودها را بهصورت نامتقارن میبینند: آنها نسبت به کمبودها حساسیت بیشتری نسبت به نوسان صعودی دارند. بنابراین بهینهسازی PMPT بهجای بهینهسازی میانگین‑واریانس (MVO) از بهینهسازی ریسک‑نزولی (DRO) استفاده میکند و از معیارهایی چون نیمواریانس، نیمانحراف معیار یا نسبت سورتینو برای هدایت تصمیمات تخصیص دارایی بهره میگیرد.
بر خلاف MPT که فرض میکند سرمایهگذاران به پراکندگی بازدهها حول میانگین بدون توجه به جهت اهمیت میدهند، PMPT ریسک را صراحتاً بهعنوان عدم دستیابی به هدفی—مانند برنامه بدهی، بنچمارک یا حداقل بازده شخصی—مدلسازی میکند. این ویژگی PMPT را بهویژه برای کاربردهایی مانند برنامهریزی بازنشستگی، مدیریت وقفها و سایر زمینههایی که عملکرد پایینتر پیامدهای مشخصی دارد، مناسب میسازد.
بهینهسازی PMPT وزنهای پرتفوی را بهگونهای محاسبه میکند که بازده مورد انتظار را حداکثر سازد ضمن اعمال محدودیتی بر ریسک نزولی، یا بهطور معادل، ریسک نزولی را حداقل سازد به شرط دستیابی به بازده هدف. مسئله بهینهسازی معمولاً با استفاده از لحظات جزئی پایین (LPM) فرموله میشود، بهطوری که تابع هدف تنها انحرافات مربعی زیر بازده هدف \(T\) را در بر میگیرد:
\[\text{Minimize } \text{LPM}_2(T) = \int_{-\infty}^{T} (T - r)^2 f(r) \, dr\]که در آن \(r\) بازده تصادفی و \(f(r)\) چگالی احتمال آن است. در عمل، این مقدار با استفاده از توزیعهای بازده تاریخی یا شبیهسازیشده تقریب زده میشود:
\[\widehat{\text{LPM}}_2(T) = \frac{1}{N} \sum_{t=1}^{N} \max(0, T - r_t)^2\]این هدف، جایگزین عبارت واریانس \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\) که در بهینهسازی میانگین‑واریانس (MVO) استفاده میشود، میشود. مرز کارآمد حاصل در صفحه بازده‑ریسک نزولی مقعر است و اغلب سبدهایی با احتمال کمتر زیرعملکرد نسبت به هدف ارائه میدهد.
- Target Return (T): معیاری پیشتعریفشده — مانند تورم بهاضافه ۳٪، جریان نقدی بدهی یا نرخ بدون ریسک — که آستانهٔ بازدههای «نامطلوب» را تعیین میکند.
- Semi-Variance / Semi-Deviation: واریانس یا انحراف معیار بازدههای پایینتر از هدف، که بهعنوان معیار ریسک استفاده میشود.
- Sortino Ratio: بازده مازاد نسبت به هدف تقسیم بر نیم‑انحراف، که بهعنوان معیار عملکرد در بهینهسازی یا رتبهبندی به کار میرود.
- Downside Risk Optimization (DRO): روش محاسباتی برای حل هدف PMPT که غالباً با برنامهریزی مربعی (quadratic programming) پیادهسازی میشود هنگامی که بازدهها بهصورت گسسته تقریب زده شوند.
- Convergence Behavior: مطالعات تجربی نشان میدهند که بهینهسازهای نیم‑واریانس بدون محدودیت همیشه به «راهحلهای گوشهای» افراطی که نظریه پیشبینی میکند، همگرا نمیشوند؛ در عوض، اغلب تخصیصهای متنوعی تولید میکنند، بهویژه زمانی که توزیع بازدهها غیرنرمال یا دارای دمهای ضخیم باشد.
- Data Sensitivity: بهینهسازی PMPT نسبت به انتخاب بازده هدف و فرضیات توزیع بازده حساسیت بیشتری نسبت به MPT دارد. تغییرات کوچک در هدف یا خطای برآورد در لحظات نزولی میتواند وزنهای بهینه را بهطور قابلتوجهی تحت تأثیر قرار دهد.
- Computational Complexity: اگرچه برای مجموعههای دارایی متوسط قابلحل است، DRO در مقایسه با MVO برای مسائل بزرگمقیاس بهدلیل وزنگذاری ریسک غیرمتقارن و عدم تقعر در فرمولبندیهای LPM مرتبه بالاتر، محاسباتی سنگینتر میشود.
- Goal Alignment: PMPT زمانی برتری مییابد که اهداف سرمایهگذار بهوضوح تعریف شده باشند (مثلاً تأمین جریان بدهی شناختهشده)، اما مزیت آن نسبت به MPT زمانی که اهداف دلخواه باشند یا توزیع بازدهها متقارن و دم باریک داشته باشند، کاهش مییابد.
فرض کنید سرمایهگذاری هدف بازده سالانه ۵٪ دارد و دو کلاس دارایی را با استفاده از بازدههای سالانه تاریخی ارزیابی میکند:
- دارایی A: بازدههای [۲٪، ۶٪، ۸٪، ۴٪]
- دارایی B: بازدههای [۳٪، ۳٪، ۷٪، ۷٪]
برای دارایی A، انحرافات زیر ۵٪ عبارتند از [−۳٪، ۰٪، ۰٪، −۱٪] → مربعات منفی: [۹، ۰، ۰، ۱] → نیم‑واریانس = ۲٫۵. برای دارایی B، انحرافات زیر ۵٪ عبارتند از [−۲٪، −۲٪، ۲٪، ۲٪] → مربعات منفی: [۴، ۴، ۰، ۰] → نیم‑واریانس = ۲٫۰.
هر دو دارایی میانگین یکسان (۵٪) دارند، اما دارایی A ریسک نزولی بیشتری (نیم‑واریانس ۲٫۵ در مقابل ۲٫۰) بهدلیل کسریهای بزرگتر زیر هدف ۵٪ دارد، بنابراین سرمایهگذاری که نسبت به ضرر حساس است و تحت بهینهسازی PMPT عمل میکند، دارایی B را ترجیح میدهد. این دو چارچوب زمانی که داراییها همان واریانس کل را داشته باشند اما در شکل توزیع بازدهها متفاوت باشند، بیشترین اختلاف را نشان میدهند: چون واریانس کل انحرافات بالا و پایین را بهطور مساوی وزن میدهد، دو دارایی با واریانس یکسان میتوانند نیم‑واریانسهای بسیار متفاوتی داشته باشند هرگاه بازدههایشان کج باشد — و دقیقاً این عدم تقارن است که PMPT برای قیمتگذاری آن طراحی شده است.
منابع
بهینهسازی PMPT چه تفاوتی با نظریه پرتفوی مدرن (MPT) دارد؟
بهینهسازی PMPT بهجای معیار ریسک متقارن MPT (انحراف معیار) از ریسک نزولی نامتقارن استفاده میکند—که بر بازدههای زیر یک هدف یا حداقل سطح قابلقبول تمرکز دارد—و بهطور دقیقتری عدم تحمل سرمایهگذار نسبت به ضررها را نسبت به نوسان کلی نشان میدهد.
هدف اصلی بهینهسازی PMPT چیست؟
هدف اصلی حداکثر کردن بازده برای سطح معینی از ریسک نزولی نسبت به بازده هدف مشخص است، بهطوری که پرتفویهایی ایجاد میشود که بهتر با اهداف واقعی سرمایهگذاران مانند پوشش بدهیها یا جلوگیری از عملکرد پایینتر همراستا باشند.
کدام معیارهای ریسک نزولی معمولاً در بهینهسازی PMPT به کار میروند؟
از معیارهای رایج میتوان به نیمواریانس (لحظه جزئی پایین مرتبه دو)، نیمانحراف معیار و نسبت سورتینو اشاره کرد—که هر یک تنها بازدههای زیر یک آستانه را نه کل پراکندگی، اندازهگیری میکنند.