PORTFOLIO OPTIMIZATION WITH A SIMULATION APPROACH TO LEARN ABOUT RETURN PREDICTABILITY: BORSA ISTANBUL APPLICATION

Abstract

The main purpose of creating a portfolio for individual and institutional investors is to obtain high returns. For investors, it is necessary to make a comprehensive analysis of the return and risk aspects of the assets and to present a portfolio that will create minimum risk and maximum return. In the field of portfolio optimization, portfolio creation studies have been carried out using basically two methods in the literature. Traditional portfolio management is based on sectoral diversification. Modern Portfolio Management is an innovative approach based on the mathematical model. In this study, portfolios are obtained by using simulation method based on modern portfolio approaches. Portfolios were obtained according to the risk perception of the investors by using the Monte Carlo simulation method by using the Market Value / Book Value (MV / BV) and Price - Earnings (P/R) ratios of the companies in BIST 30. As a result of the study, it has been observed that the stocks that make up the highest percentage of the portfolio have lower MV/BV values. P/R values were found to be the second-degree important factor.

Keywords

• Portfolio Optimization
• Simulation
• Financial Rations

GETİRİ ÖNGÖRÜLEBİLİRLİĞİNİ ÖĞRENMEYE YÖNELİK BİR SİMÜLASYON YAKLAŞIMI İLE PORTFÖY OPTİMİZASYONU: BORSA İSTANBUL UYGULAMASI

Abstract

Bireysel ve kurumsal yatırımcılar açısından portföy oluşturmasındaki temel amaç yüksek getiri elde etmektir. Yatırımcılar açısından, varlıkların getiri ve risk yönlerini kapsamlı bir analiz yaparak minimum risk ve maksimum getiriyi oluşturacak şekilde bir portföy ortaya koymak gereklidir. Portföy optimizasyonu alanında, literatürde temel olarak iki yöntem kullanılarak portföy oluşturma çalışmaları yapılmıştır. Geleneksel portföy yönetimi, sektörel çeşitlendirme esasına dayanmaktadır. Modern portföy yönetimi ise matematiksel modeli esas alan yenilikçi bir yaklaşımdır. Bu çalışmada, modern portföy yaklaşımları temelli simülasyon metodu kullanılarak portföyler elde edilmiştir. BİST 30’da yer alan şirketlerin Piyasa Değeri / Defter Değeri (PD/DD) ve Fiyat – Kazanç (F/K) oranlarını kullanarak Monte Carlo simülasyonu metodu ile yatırımcıların risk algısına göre portföyler elde edilmiştir. Çalışma sonucunda, portföyün en yüksek yüzdesini oluşturan hisselerin PD/DD değerinin daha düşük olanlar olduğu gözlemlenmiştir. F/K değerlerinin ikinci derece önemli faktör olduğu görülmüştür.

Keywords

• Portföy Optimizasyonu
• Simülasyon
• Finansal Oranlar

References

1. Acar, E., Durucasu, H., 2014. Özel Sektör Şirketleri İçin Yid İhale Probleminin Çok Amaçlı Optimizasyonu. Alphanumeric Journal, 2(2), 36-49.
2. Akgüç, Ö., 1991. Kredi Taleplerinin Değerlendirilmesi, Avcıol Basın-Yayın, 5.Baskı, İstanbul.
3. Aktan, B., 2007. Ticari Bankalarda Risk Yönetimi Ve Monte Carlo Simülasyon Yöntemiyle Portföy Riskinin Hesaplanması (Doktora Tezi, Adnan Menderes Üniversitesi).
4. Altay, E. 2009. Petrol Fiyatlarından Kaynaklanan Riskin Tahmin Edilmesi: Monte Carlo Simülasyonu Yöntemiyle Rmd Yaklaşımı. İstanbul Üniversitesi İktisat Fakültesi Mecmuası, 59(2), 61-84.
5. Aygören, H., İlem, M., 2010. Türkiye’de Özelleştirme Sonrası Araç Muayene İstasyonları Sermaye Bütçelemesinin Monte Carlo Simülasyonu Yöntemi İle Analizi. Muhasebe Ve Finansman Dergisi, (48), 75-88.
6. Çolakyan, A., Yıldırım, H., 2014. Finansal Yatırım Araçlarında Riske Maruz Değer Uygulaması.
7. Aygören, H. 2006. İmkb-100 Endeks Davranışının Monte Carlo Simülasyonu İle İncelenmesi. Muhasebe ve Finansman Dergisi, (29), 197-205.
8. Başar, A. C., 2019. Dünyada ve Türkiye'de benzetim kullanım analizi: Türkiye için bir değerlendirme (Master's thesis, Başkent Üniversitesi Fen Bilimleri Enstitüsü).

9. Büberkökü, Ö. 2018. Ekstrem Değerler Teorisi Ve Monte Carlo Simülasyonu: Gelişen Ülke Döviz Kurları Üzerine Bir Uygulama. İstatistikçiler Dergisi: İstatistik Ve Aktüerya, 11(2), 121-142.
10. Büberkökü, Ö. 2022, February 25-26. Metaverse Coin’lere Dayalı Finansal Analizler, International Izmir Economics Congress,.
11. Chen, N., Hong, L.J., 2007. December. Monte Carlo Simulation In Financial Engineering. In 2007 Winter Simulation Conference (Pp. 919-931).
12. Cinar, A.C., 2020. Training Feed-Forward Multi-Layer Perceptron Artificial Neural Networks With A Tree-Seed Algorithm. Arabian Journal For Science And Engineering 45(12): 10915-10938.
13. Cinar, A.C., 2021. Analyzing The Effects Of Random Number Generators On Artificial Gorilla Troops Optimizer In Solving Gear Train Design Problem. International Conference On Engineering Technologies (Icente’21), Konya, Turkey.
14. Civan, M., 2010. Sermaye Piyasası Analizleri Ve Portföy Yönetimi, Bursa: Ekin Kitabevi, 1. Baskı.
15. Demiguel, V., 2009, Optimal Versus Naive Diversification: How Inefficient Is The 1/N Portfolio Strategy, The Review Of Financial Studies, 22(5), 1916-1953.
16. Demirdöğen, O., 1998. Talep Tahmininde Monte-Carlo Simülasyon Tekniğinin Kullanılması. Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 12(1-2).
17. Deniz, D., 2014, Portföy Yönetiminde Uluslararası Çeşitlendirme Ve Bir Türkiye Uygulaması, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul.
18. Dırk, P.M.D.W., 1998. Naive Diversification, Financial Analysts Journal, 54(4), 95-100.
19. Du, X., 2015. Monte Carlo Simulation. In Probabilistic Engineering Design (Pp. 1–16).
20. Fabozzi, F.J., Gupta, F., Markowitz., H.M. 2002, The Legacy Modern Portfolio Theory, The Journal Of Investing, 11(3), 7-22.
21. Hançerlioğlu, A., 2006. Monte Carlo Simülasyon Metodu Ve Mcnp Kod Sistemi. Kastamonu Eğitim Dergisi, 14(2), 545-556.
22. İç, Y.T., et al., 2015. Kurumsal Firmalar İçin Bir Finansal Performans Karşılaştırma Modelinin Geliştirilmesi. Journal of the Faculty of Engineering & Architecture of Gazi University 30.1.
23. Jonson, C., Larsson, A., 2014. The Benefits Commodity Futures- An Investigation From Perspective Of Swedish And Norwegian Investor, Copenhagen Business School, Master Thesis, M.Sc. Applied Economics And Finance, Copenhagen.
24. Kalicharan, N., 2013. Random Numbers, Games, And Simulation. Advanced Topics In C, Springer: 159-182.
25. Kamu Aydınlatma Platformu (Kap), 07 Ekim 2021. BİST-30 Endeks Hisseleri, www.kap.org.tr/tr/endeksler
26. Karan, M.B. 2021, Yatırım Analizi Ve Portföy Yönetimi, Ankara: Gazi Kitabevi, 7. Baskı.
27. Kartaloğlu, A. S. 2010. Riske Maruz Değer Ve Finans Sektörü Üzerine Bir Araştırma (Doktora Tezi, Marmara Universitesi (Turkey)).
28. Kaya, E., Et Al., 2021. Debohid: A Differential Evolution Based Oversampling Approach For Highly Imbalanced Datasets. Expert Systems With Applications 169: 114482.
29. Kendall, M.G., And B. B. Smith 1938. Randomness And Random Sampling Numbers. Journal Of The Royal Statistical Society 101(1): 147-166.
30. Korkmaz, T., Nurhan, A., Sayılgan, G., 2013, Portföy Yönetimi, Eskişehir: Anadolu Üniversitesi Yayını.
31. Kesur, K. B., 2009. Advances In Genetic Algorithm Optimization Of Traffic Signals. Journal Of Transportation Engineering 135(4): 160-173
32. Markowitz, H., 1952. “Portfolio Selection” Journal Of Finance, 7(1):77-91.
33. Mendeş, M., 2005. Uygun Simülasyon Sayısının Belirlenmesi: Monte Carlo Simülasyon Çalışması. Journal Of Agricultural Sciences, 11(01), 12-15
34. Mora, M. A., Franco, J.B., Preciado, L. B. 2010. Optimal Portfolio Allocation For Latin American Stock Indices, Cuad. Adm. Bogotá (Colombia) Enero-Junio De, 23(40): 191-214.
35. Sakarya, Ş., Akkuş, H.T., 2017. Türk Bankacılık Sektöründeki Katılım Bankalarının Finansal İstikrarının Stres Testi Yöntemi İle Analizi. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(38), 215-234.
36. Sokolowski, J.A., 2010. Monte Carlo Simulation. Modelling and Simulation Fundamentals: Theoretical Underpinnings and Practical Domains, Wiley - Sons Inc., New Jersey, 131-145.
37. Staum, J., 2002, December. Simulation In Financial Engineering. In Proceedings Of The Winter Simulation Conference (Vol. 2, Pp. 1481-1492).
38. Şener, C., Şener, U., 2019. Monte Carlo Simülasyonu İle Hisse Senedi Fiyat Tahminleri. Beykoz Akademi Dergisi, 7(2), 294-306.
39. Taş, O., İltüzer, Z., 2008. Monte Carlo Simülasyon Yöntemi İle Riske Maruz Değerin İmkb30 Endeksi Ve Dibs Portföyü Üzerinde Bir Uygulaması. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 23(1), 67-87.
40. Tercan, E., Türker, M., (2008). Türkiye Cumhuriyet Merkez Bankası Mali Tablolarının Analizi ve Mali Tablo Kalemleri ile Genel Ekonomik Parametreler Arasındaki İlişkiler (Yüksek Lisans Tezi, TC İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul).
41. Weidenmüller, H., Mitchell, G., 2009. Random Matrices And Chaos In Nuclear Physics: Nuclear Structure. Reviews Of Modern Physics 81(2): 539.