DOI: https://doi.org/10.34306/itsdi.v7i2.722
تاريخ النشر: 2026-04-07
المؤلف: Chandra Lukita وآخرون
الموضوع الرئيسي: المخاطر وتحسين المحفظة الاستثمارية
نظرة عامة
تدرس هذه الدراسة فعالية خوارزميات تحسين المحفظة المختلفة في أنظمة الاستشارات الآلية، مع التركيز على مقارنة نظرية المحفظة الحديثة (MPT) ونظرية المحفظة ما بعد الحديثة (PMPT) ونموذج الوزن المتساوي القائم على القواعد. باستخدام إطار عمل حسابي قائم على المحاكاة مع بيانات مالية اصطناعية، تقيم الأبحاث هذه الأساليب بناءً على مقاييس رئيسية مثل نسبة شارب ونسبة سورتينو والحد الأقصى للانخفاض. تشير النتائج إلى أن النماذج القائمة على التحسين تتفوق بشكل كبير على النموذج القائم على القواعد عبر جميع المقاييس، حيث حققت MPT أعلى نسبة شارب تبلغ 1.25، مما يعكس عوائد قوية معدلة حسب المخاطر، وأظهرت PMPT إدارة مخاطر هبوطية متفوقة مع نسبة سورتينو تبلغ 1.60 وحد أقصى للانخفاض قدره 0.14.
تؤكد الخاتمة على الدور الحاسم لخوارزميات تحسين المحفظة في تحسين كفاءة وإمكانية الوصول إلى خدمات الاستشارات الآلية. بينما تتفوق MPT وPMPT في العوائد المعدلة حسب المخاطر واستقرار المحفظة، تشير الدراسة إلى أنه لا توجد خوارزمية واحدة تتفوق باستمرار في جميع ظروف السوق، مما يبرز التبادلات الجوهرية بين تحسين العائد وإدارة المخاطر. تم الاعتراف بالقيود المتعلقة بالاعتماد على البيانات التاريخية والافتراضات المبسطة، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتضمن الذكاء الاصطناعي ومبادئ المالية السلوكية لتعزيز التكيف والتخصيص في إدارة المحفظة. يُوصى بإطار هجين يجمع بين أساليب خوارزمية متعددة لإنشاء حلول مالية أكثر استجابة ومركزية حول المستخدم.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي للتكنولوجيا المالية (فينتك) على إدارة الاستثمار، خاصة من خلال ظهور خدمات الاستشارات الآلية. تقوم هذه المنصات بأتمتة إدارة المحفظة باستخدام أنظمة قائمة على الخوارزميات، مما يجعل استراتيجيات الاستثمار المتطورة متاحة لجمهور أوسع بتكاليف أقل مقارنة بخدمات الاستشارات المالية التقليدية. ومع ذلك، تثير التحديات مثل مشكلة “الصندوق الأسود”، التي تحد من الشفافية في اتخاذ القرارات الخوارزمية، والاعتماد على البيانات التاريخية التي قد لا تعكس ظروف السوق المستقبلية، مخاوف بشأن ثقة المستثمر واتخاذ القرارات المستنيرة.
على الرغم من الأبحاث الحالية حول نظريات تحسين المحفظة مثل نظرية المحفظة الحديثة (MPT) ونظرية المحفظة ما بعد الحديثة (PMPT)، هناك نقص ملحوظ في التقييمات المقارنة المنهجية لهذه الأساليب في بيئات المحاكاة الخاضعة للرقابة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تقييم أداء MPT وPMPT ونموذج قائم على القواعد تحت ظروف سوق محاكاة متنوعة. من خلال استخدام مقاييس الأداء المعدلة حسب المخاطر، تسعى الأبحاث إلى توضيح نقاط القوة والقيود لكل خوارزمية، مما يساهم في تحسين أنظمة الاستشارات الآلية.
الطرق
توضح قسم المنهجية تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. استخدم المؤلفون نهجًا كميًا، حيث تم استخدام طرق إحصائية لتحليل البيانات المجمعة من عينة سكانية. تم تحديد المتغيرات الرئيسية وتطبيقها، مما سمح بتطبيق اختبارات إحصائية مناسبة لتقييم العلاقات بينها.
شملت جمع البيانات استبيانًا منظمًا تم إدارته للمشاركين، مما يضمن عينة تمثيلية. شمل التحليل إحصائيات وصفية لتلخيص البيانات وإحصائيات استنتاجية، مثل تحليل الانحدار، لتقييم تأثير المتغيرات المستقلة على المتغير التابع. تشير النتائج إلى وجود ارتباطات كبيرة، والتي تم مناقشتها فيما يتعلق بالأدبيات الحالية، مما يبرز الآثار على الأبحاث المستقبلية والتطبيقات العملية.
النتائج
تم تقييم نتائج خوارزميات تحسين المحفظة من خلال محاكاة متكررة تحت ظروف سوق خاضعة للرقابة، مع تلخيص النتائج في الجدول 2. تشير التحليلات إلى أن النماذج القائمة على التحسين تتفوق باستمرار على الأساليب القائم على القواعد عبر جميع المقاييس التي تم تقييمها. ومن الجدير بالذكر أن نظرية المحفظة القائمة على المتوسط والانحراف (MPT) حققت أعلى نسبة شارب، مما يدل على أداء متفوق معدّل حسب المخاطر، بينما أظهرت نظرية المحفظة ما بعد الحديثة (PMPT) حماية هبوطية محسّنة، كما يتضح من نسبة سورتينو الأعلى وحد أقصى للانخفاض الأقل.
تؤكد المناقشة على أنه لا توجد خوارزمية واحدة تتفوق عالميًا؛ بل إن فعالية كل نموذج تعتمد على أهداف المستثمر المحددة وظروف السوق المتنوعة. وهذا يبرز ضرورة وجود نهج هجين في أنظمة الاستشارات الآلية، والتي يمكن أن تدمج تقنيات تحسين متعددة لتحقيق توازن ديناميكي بين العائد والمخاطر. بالإضافة إلى ذلك، تشير النتائج إلى أن دمج الذكاء الاصطناعي يمكن أن يعزز من قدرة هذه الخوارزميات على التكيف، مما يمكّن أنظمة الاستشارات الآلية المستقبلية من تقديم استراتيجيات استثمار أكثر تخصيصًا واستجابة من خلال التعلم القائم على البيانات والرؤى السلوكية.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على تطور وتطبيق نظريات تحسين المحفظة في سياق خدمات الاستشارات الآلية. يبدأ بمراجعة لنظرية المحفظة الحديثة (MPT)، التي أسسها هاري ماركويتز، والتي تؤكد على التوازن بين تعظيم العوائد وإدارة المخاطر من خلال التنويع. تعتبر فكرة الحدود الفعالة في MPT إطارًا أساسيًا لتخصيص الأصول الآلي، خاصة في استراتيجيات الاستثمار السلبية. ومع ذلك، أدت قيود MPT، مثل اعتمادها على البيانات التاريخية وفرضية العوائد الموزعة بشكل طبيعي، إلى استكشاف نظريات متقدمة مثل نظرية المحفظة ما بعد الحديثة (PMPT) ونموذج بلاك-ليترمان. تركز PMPT على المخاطر الهبوطية وتدمج العوامل السلوكية، مما يجعلها أكثر توافقًا مع تصورات المستثمرين حول المخاطر، بينما يسمح نموذج بلاك-ليترمان بتخصيص الأصول بناءً على ثقة المستثمر.
تناقش الورقة أيضًا التنفيذ العملي لهذه النماذج النظرية في الخوارزميات المستخدمة من قبل المستشارين الآليين. تؤكد على تحديات تقدير البيانات وتعقيد الحسابات في تحسين المحفظة في الوقت الحقيقي. تستخدم الدراسة نهجًا قائمًا على المحاكاة لتقييم أداء MPT وPMPT ونموذج قائم على القواعد تحت ظروف سوق متنوعة. تشير النتائج إلى أنه بينما تتفوق MPT في الأسواق الصاعدة، تقدم PMPT استقرارًا أكبر في الأسواق الهابطة والمتقلبة، مما يبرز أهمية استراتيجيات التحسين التكيفية. تشير النتائج إلى أن مقدمي الخدمات المالية يجب أن يأخذوا في الاعتبار النماذج الهجينة التي تلبي احتياجات المستثمرين المتنوعة، مما يعزز كل من الأداء وثقة المستخدم من خلال الشفافية في مخرجات الخوارزمية. بشكل عام، تدعو الأبحاث إلى دمج تقنيات متقدمة ومبادئ المالية السلوكية لتحسين التخصيص والتكيف في خدمات الاستشارات الآلية.
DOI: https://doi.org/10.34306/itsdi.v7i2.722
Publication Date: 2026-04-07
Author(s): Chandra Lukita et al.
Primary Topic: Risk and Portfolio Optimization
Overview
This study examines the effectiveness of various portfolio optimization algorithms in robo-advisory systems, specifically comparing Modern Portfolio Theory (MPT), Post-Modern Portfolio Theory (PMPT), and a heuristic equal-weight model. Utilizing a simulation-based computational framework with synthetic financial data, the research evaluates these approaches based on key metrics such as the Sharpe ratio, Sortino ratio, and maximum drawdown. The findings indicate that optimization-based models significantly outperform the heuristic model across all metrics, with MPT achieving the highest Sharpe ratio of 1.25, reflecting strong risk-adjusted returns, and PMPT demonstrating superior downside risk management with a Sortino ratio of 1.60 and a maximum drawdown of 0.14.
The conclusion emphasizes the critical role of portfolio optimization algorithms in improving the efficiency and accessibility of robo-advisory services. While MPT and PMPT excel in risk-adjusted returns and portfolio stability, the study notes that no single algorithm consistently outperforms in all market conditions, highlighting the inherent trade-offs between return optimization and risk management. Limitations related to reliance on historical data and simplified assumptions are acknowledged, suggesting that future research should incorporate artificial intelligence and behavioral finance principles to enhance adaptability and personalization in portfolio management. A hybrid framework combining multiple algorithmic approaches is recommended to create more responsive and user-centered financial solutions.
Introduction
The introduction highlights the transformative impact of financial technology (fintech) on investment management, particularly through the rise of robo-advisory services. These platforms automate portfolio management using algorithm-based systems, making sophisticated investment strategies accessible to a broader audience at lower costs compared to traditional financial advisory services. However, challenges such as the “black-box” problem, which limits transparency in algorithmic decision-making, and the reliance on historical data that may not reflect future market conditions, raise concerns about investor trust and informed decision-making.
Despite existing research on portfolio optimization theories like Modern Portfolio Theory (MPT) and Post-Modern Portfolio Theory (PMPT), there is a notable lack of systematic comparative evaluations of these approaches in controlled simulation environments. This study aims to fill this gap by assessing the performance of MPT, PMPT, and a heuristic rule-based model under various simulated market conditions. By employing risk-adjusted performance metrics, the research seeks to elucidate the strengths and limitations of each algorithm, ultimately contributing to the enhancement of robo-advisory systems.
Methods
The methodology section outlines the research design and analytical techniques employed in the study. The authors utilized a quantitative approach, employing statistical methods to analyze the data collected from a sample population. Key variables were identified and operationalized, allowing for the application of appropriate statistical tests to evaluate the relationships between them.
Data collection involved a structured survey administered to participants, ensuring a representative sample. The analysis included descriptive statistics to summarize the data and inferential statistics, such as regression analysis, to assess the impact of independent variables on the dependent variable. The findings indicate significant correlations, which are discussed in relation to existing literature, highlighting the implications for future research and practical applications.
Results
The results of the portfolio optimization algorithms were assessed through repeated simulations under controlled market conditions, with findings summarized in Table 2. The analysis indicates that optimization-based models consistently outperform heuristic approaches across all evaluated metrics. Notably, the Mean-Variance Portfolio Theory (MPT) achieved the highest Sharpe ratio, signifying superior risk-adjusted performance, while the Post-Modern Portfolio Theory (PMPT) demonstrated enhanced downside protection, evidenced by a higher Sortino ratio and a lower maximum drawdown.
The discussion emphasizes that no single algorithm is universally superior; rather, the effectiveness of each model is contingent upon specific investor objectives and varying market conditions. This underscores the necessity for hybrid approaches in robo-advisory systems, which can integrate multiple optimization techniques to dynamically balance return and risk. Additionally, the findings suggest that incorporating artificial intelligence could enhance the adaptability of these algorithms, enabling future robo-advisory systems to deliver more personalized and responsive investment strategies through data-driven learning and behavioral insights.
Discussion
The discussion section of the paper highlights the evolution and application of portfolio optimization theories in the context of robo-advisory services. It begins with an overview of Modern Portfolio Theory (MPT), established by Harry Markowitz, which emphasizes the balance between maximizing returns and managing risk through diversification. MPT’s concept of the efficient frontier serves as a foundational framework for automated asset allocation, particularly in passive investment strategies. However, the limitations of MPT, such as its reliance on historical data and the assumption of normally distributed returns, have led to the exploration of advanced theories like Post-Modern Portfolio Theory (PMPT) and the Black-Litterman Model. PMPT focuses on downside risk and incorporates behavioral factors, making it more aligned with investor perceptions of risk, while the Black-Litterman Model allows for personalized asset allocation based on investor confidence.
The paper further discusses the practical implementation of these theoretical models into algorithms used by robo-advisors. It emphasizes the challenges of data estimation and computational complexity in real-time portfolio optimization. The study employs a simulation-based approach to evaluate the performance of MPT, PMPT, and a heuristic model under various market conditions. Results indicate that while MPT excels in bull markets, PMPT offers greater stability in bear and volatile markets, underscoring the importance of adaptive optimization strategies. The findings suggest that financial service providers should consider hybrid models that cater to diverse investor needs, enhancing both performance and user trust through transparency in algorithmic outputs. Overall, the research advocates for integrating advanced techniques and behavioral finance principles to improve the personalization and adaptability of robo-advisory services.