سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

ابراهیمی, ایمان, رضوان, محمدتقی, مختاری, هادی. (1404). تشکیل پرتفوی مدرن و فرامدرن بازار رمزارزها و تخصیص بهینه اجزاء آن با الگوریتم ژنتیک. , 15(4), 173-202. doi: 10.48308/jimp.15.4.173
ایمان ابراهیمی; محمدتقی رضوان; هادی مختاری. "تشکیل پرتفوی مدرن و فرامدرن بازار رمزارزها و تخصیص بهینه اجزاء آن با الگوریتم ژنتیک". , 15, 4, 1404, 173-202. doi: 10.48308/jimp.15.4.173
ابراهیمی, ایمان, رضوان, محمدتقی, مختاری, هادی. (1404). 'تشکیل پرتفوی مدرن و فرامدرن بازار رمزارزها و تخصیص بهینه اجزاء آن با الگوریتم ژنتیک', , 15(4), pp. 173-202. doi: 10.48308/jimp.15.4.173
ابراهیمی, ایمان, رضوان, محمدتقی, مختاری, هادی. تشکیل پرتفوی مدرن و فرامدرن بازار رمزارزها و تخصیص بهینه اجزاء آن با الگوریتم ژنتیک. , 1404; 15(4): 173-202. doi: 10.48308/jimp.15.4.173

تشکیل پرتفوی مدرن و فرامدرن بازار رمزارزها و تخصیص بهینه اجزاء آن با الگوریتم ژنتیک

چشم‌انداز مدیریت صنعتی
دوره 15، شماره 4 - شماره پیاپی 60، دی 1404، صفحه 173-202    اصل مقاله (2.2 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.15.4.173
نویسندگان
ایمان ابراهیمی1؛ محمدتقی رضوان* 2؛ هادی مختاری3
1کارشناس ارشد، گروه مدیریت کسب و کار، دانشکده علوم مالی، مدیریت و کارآفرینی، دانشگاه کاشان، کاشان، ایران.
2استادیار، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه کاشان، کاشان، ایران.
3دانشیار، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه کاشان، کاشان، ایران.
چکیده
مقدمه و اهداف: بازار رمزارزها به‌عنوان یکی از نوسان‌پذیرترین بازارهای مالی، توجه زیادی را جلب کرده است. برخی سرمایه‌گذاران به دلیل ترس از زیان وارد این بازار نمی‌شوند، در حالی که دیگران با امید به کسب سودهای کلان، به ریسک‌های بالا روی می‌آورند. تشکیل پرتفوی بهینه در این بازار با هدف تعادل بین ریسک و بازده انجام می‌شود و نیازمند انتخاب و وزن‌دهی دقیق دارایی‌هاست. ابزارهای تحلیلی و روش‌های مدرن به سرمایه‌گذاران کمک می‌کند تا ترکیبی از دارایی‌ها را انتخاب کنند که ریسک نوسانات بازار را کاهش دهد و بازده مناسبی فراهم کند.
روش: این پژوهش، از نظر موضوعی در حوزۀ مطالعات مالی و سرمایه‌گذاری قرار دارد و به‌طور ویژه به بهینه‌سازی پرتفوی رمزارزها می‌پردازد و از لحاظ زمانی، داده‌های تاریخی مورد تحلیل در این مطالعه به دوره بین سال‌های 2021 تا 2023 تعلق دارد. این پژوهش با استفاده از تحلیل شاخص بازار رمزارزها و برخی از رمزارزهای منتخب و تشکیل پرتفوی‌های مختلف با به‌کارگیری معیارهای معتبر سنجش عملکرد پرتفوی و استفاده از الگوریتم‌ ژنتیک، به دنبال مقایسه پرتفوی‌های تشکیل‌شده با یکدیگر و شناسایی کاراترین مدل انتخاب پرتفوی، از بین پرتفوی‌های تشکیل‌شده در این پژوهش است. برای این منظور، ابتدا یک پرتفوی نمونه از شاخص بازار رمزارزها در یک بازه زمانی مناسب ایجاد می‌شود. این بازه زمانی به شکلی انتخاب می‌شود که با وجود نوسانات بازار، تعداد، نوع و وزن رمزارزهای تشکیل‌دهنده پرتفوی شاخص بازار تا حد امکان ثابت باقی بماند. سپس برای این پرتفوی، مقادیر بازده، واریانس، انحراف معیار، نسبت شارپ، نسبت سورتینو، نسبت کالمار و معیار ریسک نسبی (ضریب تغییر)، محاسبه می‌شود. در مرحله بعد، با استفاده از مدل‌ها و الگوریتم‌ ژنتیک، وزن‌های بهینه برای هر یک از رمزارزهای موجود در پرتفوی بازار محاسبه شده و نتایج با هم مقایسه می‌شوند.
نتایج و بحث: نتایج مشخص می‌کند که پرتفوی رمزارزهای با بیشترین ارزش بازار به دلیل ثبات بیشتر، ریسک کمتری را نسبت به سایر پرتفوی‌های منتخب تجربه خواهد کرد. همچنین شاخص بازار رمزارزها با استراتژی مدل بهینه‌سازی شارپ از ریسک کمتری نسبت به سایر مدل‌ها برخوردار است و پرتفوی‌هایی تشکیل شده با این مدل، عملکرد بهتری از نظر توازن بین ریسک و بازده نشان می‌دهند. انتخاب پرتفوی بر اساس نسبت بازده به ریسک انحراف از معیار به‌خصوص بر اساس داده‌های تاریخی بلندمدت، نتایج بهتری را برای بهینه‌سازی بر اساس مدل‌های سورتینو و کالمار به همراه دارد و رمزارزهایی که پیش‌بینی‌پذیری بالاتری از خود نشان می‌دهند می‌توانند به انتخاب پرتفوی‌های کاراتر و کاهش ریسک کمک کنند.
نتیجه‌گیری: یافته‌ها نشان می‌دهد که پرتفوی‌هایی که بر اساس رمزارزهای با بیشترین ارزش بازار تشکیل شده‌اند، عملکرد بهتری نسبت به سایر پرتفوی‌ها دارند. این دارایی‌ها به دلیل ثبات بیشتر و نوسانات کمتر، ریسک کمتری را برای سرمایه‌گذاران به همراه دارند. بنابراین، توصیه می‌شود که سرمایه‌گذاران به‌ویژه در شرایط بازار ناپایدار، به دارایی‌هایی با ارزش بازار بالا تمرکز کنند تا بتوانند از نوسانات کاهشی جلوگیری کرده و بازدهی مناسبی کسب کنند. استفاده از معیارهایی نظیر نسبت بازده به ریسک انحراف از معیار نامطلوب، نسبت بازده به ریسک حداکثر کاهش ارزش و ارزش در معرض خطر می‌تواند به تنوع در روش‌های انتخاب پرتفوی و امکان مقایسه دقیق‌تر منجر شود. این رویکرد نه‌تنها به افزایش دقت در ارزیابی‌ها کمک می‌کند؛ بلکه می‌تواند پرتفوی‌هایی را شکل دهد که از نظر ریسک و بازده، بهینه‌ و کارآمد هستند.
کلیدواژه‌ها
رمزارزها؛ شاخص بازار؛ معیارهای ارزیابی پرتفوی؛ تخصیص بهینه؛ الگوریتم‌ ژنتیک
عنوان مقاله [English]
Modern and Post-Modern Portfolio Formation in the Cryptocurrency Market and Optimal Component Allocation Using Genetic Algorithm
نویسندگان [English]
Iman Ebrahimi1؛ Mohammad Taghi Rezvan2؛ Hadi Mokhtari3
1MSc., Department of Business Administration, Faculty of Finance, Management and Entrepreneurship, University of Kashan, Kashan, Iran.
2Assistant Prof., Department of Industrial Engineering, Faculty of Engineering, University of Kashan, Kashan, Iran.
3Associate Prof., Department of Industrial Engineering, Faculty of Engineering, University of Kashan, Kashan, Iran.
چکیده [English]
Intoduction: The cryptocurrency market, known for its high volatility, has attracted significant attention. Some investors refrain from entering this market due to the fear of losses, while others take on high risks in hopes of achieving substantial profits. Forming an optimal portfolio in this market aims to balance risk and return, requiring careful selection and weighting of assets. Analytical tools and modern methods assist investors in choosing a combination of assets that reduces the risk of market fluctuations while providing appropriate returns.
Methods: This research is thematically situated in the field of finance and investment, specifically focusing on the optimization of cryptocurrency portfolios. In terms of timing, the historical data analyzed in this study pertains to the period between 2021 and 2023. This study aims to compare various constructed portfolios and identify the most efficient portfolio selection model among the portfolios formed in this study by analyzing the cryptocurrency market index and selected cryptocurrencies. It utilizes valid performance measurement criteria and genetic algorithms. To achieve this, a sample portfolio is first created based on the cryptocurrency market index over a suitable time frame. This time frame is chosen to ensure that despite market fluctuations, the number, type, and weight of the cryptocurrencies constituting the market index portfolio remain as stable as possible. Subsequently, for this portfolio, the values of return, variance, standard deviation, Sharpe ratio, Sortino ratio, Calmar ratio, and relative risk measure (coefficient of variation) are calculated. In the next step, using models and genetic algorithms, optimal weights for each of the cryptocurrencies in the market portfolio are computed, and the results are compared.
Results and discussion: The results reveal that the portfolio of cryptocurrencies with the highest market value will experience less risk than other selected portfolios due to greater stability. Also, the cryptocurrency market index with the Sharpe optimization model strategy has less risk than other models, and portfolios formed with this model show better performance in terms of risk-return balance. Moreover, portfolio selection based on the return-to-risk ratio (standard deviation) yields superior results when optimized using the Sortino and Calmar models, particularly with long-term historical data. Cryptocurrencies that exhibit higher predictability can contribute to the selection of more efficient portfolios and reduce downside risk.
Conclusions: The findings indicate that portfolios composed of cryptocurrencies with the highest market capitalization perform better than other portfolios. These assets, due to their greater stability and lower volatility, entail less risk for investors. Therefore, it is recommended that investors, especially in unstable market conditions, focus on high-market-cap assets to mitigate downward fluctuations and achieve reasonable returns. Utilizing metrics such as the return-to-risk ratio based on downside deviation, the return-to-risk ratio of maximum drawdown, and value at risk (VaR) can enhance diversification in portfolio selection methods and enable more precise comparisons. This approach not only improves accuracy in evaluations but also helps construct portfolios that are optimized and efficient in terms of risk and return.
کلیدواژه‌ها [English]
Cryptocurrency, Market Index, Portfolio Evaluation Criteria, Optimal Allocation, Genetic Algorithms
مراجع
  1. Aghamohammadi, O., Ouhadi, S., Sighli, M., & Bani Mahd, A. (2022). A model for assessing and optimizing the risk associated with selecting a bank's currency portfolio in combination with cryptocurrencies. Journal of Organizational Resource Management, 12(2), 31-57. (In Persian).
  2. Alidaee, B., Wang, H., & Wang, W. (2025). Comparative Study of Portfolio Optimization Models for Cryptocurrency and Stock Markets. IEEE Access.
  3. Bakry, W., Rashid, A., Al-Mohamad, S., & El-Kanj, N. (2021). Bitcoin and portfolio diversification: A portfolio optimization approach. Journal of Risk and Financial Management, 14(7),
  4. Barillas, F., Kan, R., Robotti, C., & Shanken, J. (2020). Model comparison with Sharpe ratios. Journal of Financial and Quantitative Analysis, 55(6), 1840-1874.
  5. Bayazidi, F. , Abdolbaghi Ataabadi, A. and Fattahi, M. (2019). Fundamentals Rating Based on the Additive Ratio Assessment (ARAS) and Stochastic Utility of Investors: Evidences from Tehran Stock Exchange. Journal of Industrial Management Perspective, 9(2), 33-55. (In Persian).
  6. Baur, D. G., Hong, K., & Lee, A. D. (2018). Bitcoin: Medium of exchange or speculative assets?. Journal of International Financial Markets, Institutions and Money, 54, 177-189.
  7. Bodie, Z., Kane, A., & Marcus, A. (2013). Ebook: Essentials of investments: Global edition. McGraw Hill.
  8. Brauneis, A., & Mestel, R. (2019). Cryptocurrency-portfolios in a mean-variance framework. Finance Research Letters, 28, 259-264.
  9. Briere, M., Oosterlinck, K., & Szafarz, A. (2015). Virtual currency, tangible return: Portfolio diversification with bitcoin. Journal of Asset Management, 16, 365-373.
  10. Catalini, C., & Gans, J. S. (2020). Some simple economics of the blockchain. Communications of the ACM, 63(7), 80-90.
  11. Das, A., Chaudhuri, T., Roy, S. S., Biswas, S., & Guha, B. (2023). Selection of appropriate portfolio optimization strategy. Theoretical and Applied Computational Intelligence, 1(1), 58-81.
  12. Eiben, A., Smith, J., Eiben, A., & Smith, J. (2003). Genetic Programming. Introduction to Evolutionary Computing, 101-114.
  13. Elendner, H., Trimborn, S., Ong, B., & Lee, T. M. (2018). The cross-section of crypto-currencies as financial assets: Investing in crypto-currencies beyond bitcoin. In Handbook of Blockchain, Digital Finance, and Inclusion, 1, 145-173.
  14. Esmaelian, M. , Khalili, A. S. and Tavakoli, M. (2020). Proposing a Method for Determining the Appropriate Purchasing Strategy Based on the Purchasing Portfolio Approach. Journal of Industrial Management Perspective, 10(2), 55-82. (In Persian).
  15. Giudici, G., Milne, A., & Vinogradov, D. (2020). Cryptocurrencies: market analysis and perspectives. Journal of Industrial and Business Economics, 47, 1-18.
  16. Gu, Q. (2022). Comparison of risk minimizing and return maximizing portfolio models. BCP Business & Management, 30, 489-495.
  17. Holovatiuk, O. (2020). Cryptocurrencies as an asset class in portfolio optimisation. Central European Economic Journal, 7(54), 33-55.
  18. Huang, X., Tan, L., Su, H., & Cheah, J. E. T. (2025). Using Deep Learning Conditional Value‐at‐Risk Based Utility Function in Cryptocurrency Portfolio Optimisation. International Journal of Finance & Economics.
  19. Jafari Nadoshan, A.A., Azimi Hasari, F., & Rostegari, Z.. (2023). Estimating investment risk in a portfolio consisting of cryptocurrency and fiat and optimizing it using the Value at Risk method. In Proceedings of the 9th International Conference on Industrial Engineering and Systems, Mashhad (In Persian)
  20. Jorion, P. (1997). Value at risk: the new benchmark for controlling market risk. (No Title).
  21. Kajtazi, A., & Moro, A. (2019). The role of bitcoin in well diversified portfolios: A comparative global study. International Review of Financial Analysis, 61, 143-157.
  22. Khalifezadeh, S. M. (2019). Cryptocurrency and Diversification of Investment Portfolio: A Comparative Study of Developed and Developing Countries. Master's thesis, University of Tabriz, Tabriz (In Persian).
  23. Kim, M., Jeong, Y. J., & Jeong, J. (2024). Two Empirical Studies of Portfolio Optimization Using Cryptocurrency Allocation Ratios. IEEE Access, 12, 63827-63838.
  24. Konno, H., & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531.
  25. Krückeberg, S., & Scholz, P. (2019). Cryptocurrencies as an asset class. Springer.
  26. Lee, D. K. C., Guo, L., & Wang, Y. (2018). Cryptocurrency: A new investment opportunity?. Journal of Alternative Investments, 20(3),
  27. Li, J.-P., Naqvi, B., Rizvi, S. K. A., & Chang, H.-L. (2021). Bitcoin: The biggest financial innovation of fourth industrial revolution and a portfolio's efficiency booster. Technological Forecasting and Social Change, 162, 120383.
  28. Liu, W. (2019). Portfolio diversification across cryptocurrencies. Finance Research Letters, 29, 200-205.
  29. Ma, Y., Ahmad, F., Liu, M., & Wang, Z. (2020). Portfolio optimization in the era of digital financialization using cryptocurrencies. Technological forecasting and social change, 161, 120265.
  30. Markowitz, H. (1952). Portofolio selection. Journal of finance, 7, 77-91.
  31. Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments, Wiley, New York, New York.
  32. Mazheri Zaveh, M. , Fakoor Saghih, A. M. and Soleimani Fard, O. (2023). The Multi-period Portfolio Optimization Using Possibilistic Entropy and Particle Swarm Optimization(PSO). Journal of Industrial Management Perspective, 13(4), 179-207. (In Persian).
  33. Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. Satoshi Nakamoto.
  34. Platanakis, E., Sutcliffe, C., & Urquhart, A. (2018). Optimal vs naïve diversification in cryptocurrencies. Economics Letters, 171, 93-96.
  35. Petrowski, J. D. A., & Taillard, P. S. E. (2006). Metaheuristics for hard optimization. Springer.
  36. Petukhina, A., Trimborn, S., Härdle, W. K., & Elendner, H. (2020). Investing with Cryptocurrencies--evaluating their potential for portfolio allocation strategies. arXiv preprint arXiv:2009.04461.
  37. Platanakis, E., & Urquhart, A. (2020). Should investors include bitcoin in their portfolios? A portfolio theory approach. The British accounting review, 52(4),
  38. Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of risk, 2, 21-42.
  39. Samuelson, P. A. (1970). The fundamental approximation theorem of portfolio analysis in terms of means, variances and higher moments. The Review of Economic Studies, 37(4), 537-542.
  40. Sen, J. A Comparative Study on the Sharpe Ratio, Sortino Ratio, and Calmar Ratio in Portfolio Optimization.
  41. Sen, J., & Dutta, A. (2022, March). Design and analysis of optimized portfolios for selected sectors of the Indian stock market. In 2022 International Conference on Decision Aid Sciences and Applications (DASA)(pp. 567-573). IEEE.
  42. Sharpe, W. F. (1966). Mutual fund performance. The Journal of business, 39(1), 119-138.
  43. Sharpe, W. F. (1994). The sharpe ratio. Journal of portfolio management, 21(1), 49-58.
  44. Sortino, F. A., & Price, L. N. (1994). Performance measurement in a downside risk framework. the Journal of Investing, 3(3), 59-64.
  45. Symitsi, E., & Chalvatzis, K. J. (2019). The economic value of Bitcoin: A portfolio analysis of currencies, gold, oil and stocks. Research in International Business and Finance, 48, 97-110.
  46. Trimborn, S., Li, M., & Härdle, W. K. (2020). Investing with cryptocurrencies—A liquidity constrained investment approach. Journal of Financial Econometrics, 18(2), 280-306.
  47. Young, M. R. (1998). A minimax portfolio selection rule with linear programming solution. Management science, 44(5), 673-683.
  48. Young, T. W. (1991). Calmar ratio: A smoother tool. Futures, 20(1), 40.
  49. Youssef, M., Naoua, B. B., Abdelaziz, F. B., & Chibane, M. (2023). Portfolio selection: should investors include crypto‐assets? A multiobjective approach. International Transactions in Operational Research, 30(5), 2620-2639.
آمار
تعداد مشاهده مقاله: 236
تعداد دریافت فایل اصل مقاله: 95