تعیین پرتفوی بهینه تسهیلات بانک با رویکرد مارکویتز و الگوریتم های فراابتکاری(مطالعه موردی بانک سینا)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد دانشگاه آزاد اسلامی واحد تهران مرکزی

2 استادیار اقتصاد دانشگاه آزاد اسلامی واحد تهران مرکزی

چکیده

بانک­ها در فرایند اعطاء تسهیلات که براساس میزان منابع تجهیز شده صورت می­پذیرد با ریسک اعتباری مواجه می­باشند. دراین بین مدیریت پرتفوی تسهیلات می­تواند با تخصیص بهینه منابع به بخش­های اقتصادی از طریق به حداقل رساندن ریسک سرمایه­گذاری در سطح معینی از بازده مورد انتظار بر کاهش ریسک اعتباری تأثیرگذار باشد.دراین پژوهش پرتفوی تسهیلات بانک سینا در بخش­های اقتصادی طی سال­های 1386 تا 1402 با استفاده از مدل پرتفوی مدرن مارکویتز و الگوریتم­های فراابتکاری ژنتیک و کرم شب تاب بهینه­سازی و مرز کارا تعیین می­شود. مقایسه عملکرد مدل­ها حاکی از کارایی بیشتر مدل الگوریتم ژنتیک در بهینه­سازی پرتفوی تسهیلات بانک می­باشد و نتایج حاصل از برآورد این مدل نشان می­دهد، بخش­های خدمات و بازرگانی، مسکن و ساختمان بیشترین سهم را در پرتفوی بهینه تسهیلات بانک دارند و بخش­های صتعت و معدن، کشاورزی و آب دارایی­های ریسکی بانک سینا محسوب می­شوند. طی دوره مورد بررسی، روند اعطای تسهیلات بانک سینا بهینه نبوده است و درراستای کاهش ریسک اعتباری تسهیلات آن بانک می­بایست 4/52% به بخش خدمات و بازرگانی، 7/40% به بخش مسکن و ساختمان، 5/3% به بخش صنعت و معدن و 4/3% به بخش کشاورزی و آب اختصاص یابد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Introduction Determining the optimal portfolio of bank facilities with the Markowitz approach and meta-heuristic algorithms (Case study of Sina Bank)

نویسندگان [English]

  • Iman Dadfar 1
  • Roya Seyfipour 2
  • Azadeh Mehrabian 2
  • Narciss Aminrashti 2
1 PHD student in economics, Department of Economics, Faculty of Economics and Accounting, Central Tehran Branch, Islamic Azad University
2 Assistant professor, Department of Economics, Faculty of Economics and Accounting, Central Tehran Branch, Islamic Azad University
چکیده [English]

Banks face credit risk in the process of providing facilities based on the amount of resources provided. In the meantime, facility portfolio management can be effective in reducing credit risk by optimally allocating resources to economic sectors. In this research, the portfolio of Sina Bank's facilities is determined by using the Markowitz modern portfolio model and meta-heuristic algorithms of genetics and firefly. Comparing the performance of the models indicates the greatest efficiency of the genetic algorithm model in optimizing the bank's facilities portfolio. the results of the estimation of this model show that the service & commercial, housing & construction sectors have the largest share in the optimal portfolio of the bank's facilities. Industry & mining, agriculture & water sectors are considered risky assets of Sina Bank. the process of granting facilities has not been optimal. To reduce the credit risk of that bank's facilities, 52.4% should be allocated to the service & commercial sector, 40.7% to the housing & construction sector, 3.5% to the industry & mining sector, 3.4% to be allocated to agriculture & water sector.

کلیدواژه‌ها [English]

  • Optimization
  • Markowitz modern portfolio model
  • Genetic algorithm
  • Firefly algorithm

مراجع

  1. 1- اقتصاد، امیرعلی و محمدی، عمران (1402). بهینه سازی سبد سرمایه‌گذاری به کمک پیش بینی بازده مورد انتظار با استفاده از روش های شبکه عصبی، جنگل تصادفی و ARIMA. چشم انداز مدیریت مالی، (43)13، 28-9.

    2- بانک مرکزی جمهوری اسلامی ایران (1384). اصول مدیریت ریسک اعتباری. رنجبر­مطلق، لیدا.

    3- بانک مرکزی جمهوری اسلامی ایران، موسسه عالی آموزش بانکداری ایران، گزارش عملکرد بانک­های کشور.

    4- جهانیان، فهیمه، متقی، علی­اصغر و محمدی، احمد (1401). بهینه­سازی پرتفوی با استفاده از مدل مارکویتز تعدیل شده مبتنی بر مدلسازی CO-GARCH در قیاس با بازار. نشریه اقتصاد با ثبات، (2)7، 84-70.

    5- خندان، عباس (1402). مقایسه عملکرد میانگین با میانه و دیگر شاخص­های ریسک در بهینه­سازی سبد سهام. فصلنامه اقتصاد مقداری، (20)1، 138-99.

    6- راعی، رضا و سعیدی، علی (1401). مبانی مهندسی مالی و مدیریت ریسک. سازمان مطالعه و تدوین کتب دانشگاهی در علوم اسلامی و انسانی (سمت)، پژوهشکده تحقیق و توسعه علوم انسانی، 1383.

    7- رهنمای رودپشتی، فریدون و موسوی انزهایی، مجید (1392). مقایسه عملکرد پرتفوهای حاصل از گروه­بندی سهام بوسیله مدل شبکه مبتنی بر متغیرهای نوین و سنتی با استفاده از شاخص­های شارپ و ترینر. فصلنامه دانش سرمایه­گذاری، (2)­7، 212-193.

    8- سلطانی، عزیزاله، احتشام راثی، رضا و عابدی، صادق (1402). ارائه مدل ریاضی چند هدفه برای بهینه­سازی تجهیز و تخصیص منابع مالی سیستم بانکی. فصلنامه مدیریت صنعتی، (15)­2، 298-272.

    9- کریم پور، اکرم و آقاسی، سعید (1401). انتخاب سبد بهینه سهام با استفاده از الگوریتم فراابتکاری گرده­افشانی گل­ها و مقایسه نتایج با الگوی سنتی مارکویتز. مجله مهندسی مدیریت نوین، 28، 110-79.

    10- کمرئی، مریم (1390). بررسی پرتفوی تسهیلات اعطایی بانک سپه و تعیین ترکیب بهینه آن. پایان نامه کارشناسی ارشد، دانشگاه تهران.

    11- مهرآرا، محسن و صادقیان، صغری (1387). تعیین ترکیب بهینه وام در بخش­های اقتصادی (مطالعه موردی بانک سامان). فصلنامه اقتصاد مالی، (2)­5، 134-116.

    12- نحوی، ابوذر، قربانی، محمد، صبوحی، محمود و دوراندیش، آرش (1400). بررسی ترکیب بهینه پرتفوی اعتبارات با استفاده از الگوریتم کرم شب­تاب (مطالعه موردی بانک کشاورزی).  فصلنامه مطالعات اقتصادی ایران، (­37)­10، 97-53.

    13- نوبخت، جواد، احمدی، محمدمهدی، غلامی، الهام و ابراهیمی، مهرداد (1398). بهینه­یابی سبد اعتباری بانک ملی با رویکرد کاهش قیمت تمام شده تسهیلات اعطایی. فصلنامه مطالعات مالی و بانکداری اسلامی، 5(12)، 102-81.

    14- یحیی­زاده فر، محمود، شمس، شهاب الدین و رضازاده، مرتضی (1389). ارزیابی عملکرد مدیریت پرتفوی شرکت­های سرمایه گذاری در بورس اوراق بهادار تهران. پژوهشنامه مدیریت اجرایی، 10(2)، 178-157.

    15- یکتا، علی (1394). تعیین ترکیب بهینه پرتفوی اعتباری بانک آینده براساس مدل ناهمسانی واریانس شرطی تعمیم یافته (GARCH). پایان­نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد فیروزکوه.

    1. Agarana, M. C., Bishop, S. A., & Odetunmibi, O. A. (2014). Optimization of banks loan portfolio management using goal programming technique. International Journal of Research in Applied, Natural and Social Sciences, 2(8), 43-52.‏
    2. Bargi, A. N. (2024). Stock portfolio optimization: Comparing the Markowitz Model with the Black Litterman Model. International Journal of Research Publication and Reviews, 5(3), 3388-3393.
    3. Central Bank of the Islamic Republic of Iran (2005). Principles of credit risk management. Ranjbar Motlaq, Lida (In Persion).
    4. Central Bank of the Islamic Republic of Iran, the Higher Institute of Banking Education of Iran, the performance report of the country's banks, https://www.ibi.ac.ir (In Persion).
    5. Chang, T. J., Yang, S. C., & Chang, K. J. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with applications, 36(7), 10529-10537.‏
    6. Dubinskas, P., & Urbšienė, L. (2017). Investment portfolio optimization by applying a genetic algorithm-based approach. Ekonomika, 96(2), 66-78.‏
    7. Eghtesad, A., & Mohammadi, Ů. (2023). Portfolio optimization with return prediction using LSTM, Random forest, and ARIMA. Financial Management Perspective, 13(43), 9-28.‏
    8. Enoch, C. N., & Labuschagne, L. (2014). Towards a theoretical foundation for project portfolio management. Project Management Institute.‏
    9. Estrada, J. (2000). The cost of equity in emerging markets: a downside risk approach.‏
    10. Gunjan, A., & Bhattacharyya, S. (2024). Quantum-inspired meta-heuristic approaches for a constrained portfolio optimization problem. Evolutionary Intelligence, 1-40.‏
    11. Li, H., & Shi, N. (2022). Application of genetic optimization algorithm in financial portfolio problem. Computational Intelligence and Neuroscience, 2022(1), 5246309.‏
    12. Jahanian, F., Motaghi, A. A., & Mohammadi, A. (2022). Portfolio optimization using the modified Markowitz model based on CO-GARCH modeling in comparison with the market. Journal of Stable Economics, (2)7, 70-84 (In Persion).
    13. Kamarei, M. (2011). Examining Sepeh Bank's loan portfolio and determining its optimal combination. Master's Thesis, University of Tehran (In Persion).
    14. Karimpour, A., & Agassi, S. (2022). Choosing the optimal stock portfolio using the meta-heuristic algorithm of flower pollination and comparing the results with the traditional Markowitz model. Journal of Modern Management Engineering, 28, 79-110 (In Persion).
    15. Kazan, H., & Uludag, K. (2014). Credit portfolio selection according to sectors in risky environments: Markowitz practice. Asian Economic and Financial Review, 4(9), 1208.‏
    16. Khandan, A. (2023). Comparison of average performance with median and other risk indicators in stock portfolio optimization. Quarterly Journal of Quantitative Economics, (20)1, 99-138 (In Persion).
    17. Markowitz, H. M. (1959). Portfolio Selection, Cowles Foundation Monograph 16. New York, New York: JohnWiley and Sons, 1959MarkowitzPortfolio Selection: Cowles Foundation Monograph, 161959.‏
    18. Mathworks, N. (2004). Genetic algorithm and direct search toolbox for use with MATLAB.‏
    19. Mehrara, M., & Sadeghian, S. (2008). Determining the optimal composition of loans in economic sectors (case study of Saman Bank). Financial Economics Quarterly, (2) 5, 116-134 (In Persion).
    20. Nahvi, A., Ghorbani, M., Sabohi, M., & Durandish, A. (2021). Examining the optimal composition of the credit portfolio using the worm algorithm (case study of Agricultural Bank). Iranian Economic Studies Quarterly, (37) 10, 53-97 (In Persion).
    21. Nobakht J., Ahmadi, M. M., Gholami, E., & Ebrahimi, M. (2019), Optimizing the National Bank's credit portfolio with the approach of reducing the cost of granted facilities. Financial Studies and Islamic Banking Quarterly, 5(12), 81-102 (In Persion).
    22. Raei, R., & Saeedi, A. (2022). Fundamentals of Financial Engineering and Risk Management. Organization for the Study and Compilation of Academic Books in Islamic and Human Sciences (Samt), Humanities Research and Development Institute, 2013 (In Persion).
    23. Rahnama Roudposhti, F., & Moosavi Enzahai, M. (2013). Comparison of performance of portfolios resulting from stock grouping by network model based on modern and traditional variables using Sharpe and Trainor indices. Investment Knowledge Quarterly, (2)7, 193-212 (In Persion).
    24. Haupt, R. L. & Haupt,S. E. (2004). Practical genetic algorithms.
    25. Soltani, A., Ehtsham Rathi, R., & Abedi, S. (2023). Providing a multi-objective mathematical model for optimizing the equipment and allocation of financial resources of the banking system. Journal of Industrial Management, (15)­2, 272-298 (In Persion).
    26. Yahyazadeh Far, M., Shams, Sh., & Rezazadeh, M. (2010), Evaluation of portfolio management performance of investment companies in Tehran Stock Exchange. Executive Management Research Journal, 10(2), 157-178 (In Persion).
    27. Yang, X. S. (2010). Nature-inspired metaheuristic algorithms. Luniver press.‏
    28. Yekta, A. (2015). Determining the optimal composition of the future bank's credit portfolio based on the generalized conditional variance heteroskedasticity model (GARCH). Master's thesis, Islamic Azad University, Firuzkoh branch (In Persion).
    29. Wang, Z., Zhang, X., Zhang, Z., & Sheng, D. (2022). Credit portfolio optimization: a multi-objective genetic algorithm approach. Borsa Istanbul Review, 22(1), 69-76.‏

فایل ها

هم رسانی

ارجاع به این مقاله

آمار