Hiyerarşik risk paritesi ve çok kriterli karar verme yöntemleri ile portföy optimizasyonu: BİST 100 uygulaması

Abstract

Yatırımcılar, gelecekte daha rahat bir yaşam sürdürebilmek ve tasarruflarını en iyi şekilde değerlendirebilmek amacıyla piyasada yer alan yatırım alternatifleri arasından en uygun olanını seçerek optimal portföylerini oluşturmak istemektedir. Bu nedenle yatırımcılar, yarım yüzyılı aşkın bir süredir optimal portföyü oluşturabilmek amacıyla Markowitz (1952) tarafından önerilen Ortalama Varyans Modelinden (OVM) yararlanmaktadır. Ancak OVM ile ilgili yapılan çalışmalar incelendiğinde bu modelin çeşitli açılardan eleştirilmiştir. Bu eleştirilerden en önemlisi de konsantrasyon problemidir. Konsantrasyon problemi, OVM’nin çeşitlendirme temelli bir yaklaşım olmasına karşın piyasadaki az sayıda varlığa yatırım yapmasını önermesi yatırımcı açısından kayıplara neden olabilmektedir. Bu probleme çözüm bulabilmek amacıyla Prado, 2016 yılında çizge teorisi ve makine öğrenmesi temelli Hiyerarşik Risk Paritesi (HRP) algoritmasını önermiştir. HRP algoritması, konsantrasyon probleminin çözümü için başarı sağlamış olmasına karşın zincirleme ve optimal küme sayısının belirlenememesi sorununu da beraberinde getirmiştir. Bu çalışmada, bu sorunu ortadan kaldırabilmek amacıyla HRP-ÇKKV (Çok Kriterli Karar Verme) yaklaşımı önerilmiştir. Önerilen yaklaşım, ÇKKV yöntemlerinden MEREC ve WEDBA yöntemlerinin kullanılmasına dayanmaktadır. Kriter ağırlıklarının belirlenmesinde objektif kriter ağırlık belirleme yöntemlerinden bir tanesi olan MEREC yönteminden yararlanılmıştır. Hisse senetlerinin değerlendirilmesinde ise WEDBA yöntemi kullanılmıştır. Çalışmanın uygulaması BİST 100 endeksinde işlem gören hisse senetleri üzerinde gerçekleştirilmiştir. Elde edilen bulgulara göre HRP-ÇKKV yaklaşımı, HRP algoritmasına göre daha başarılı sonuçlar elde etmiştir.

To secure a comfortable future and effectively maximize their savings, investors seek to build optimal portfolios by carefully selecting the best investment options available in the market. For more than fifty years, investors have relied on the Mean Variance Model (MVM) proposed by Markowitz in 1952 to construct these portfolios. However, numerous studies have criticized the MVM from various angles. One important point of criticism is the concentration problem. Although the MVM is based on diversification, it often recommends investing in a limited number of assets. This limited approach can lead to financial losses for investors. To address this problem, Prado introduced the Hierarchical Risk Parity (HRP) algorithm in 2016, which integrates concepts from graph theory and machine learning. While HRP effectively solves the concentration problem, it introduces new challenges, such as the problem of concatenation and difficulties in determining the optimal number of clusters. To overcome these challenges, this study proposes an HRP approach to multi-criteria decision making (MCDM). The proposed approach incorporates the MEREC and WEDBA methods. The MEREC method, an objective approach to weighting criteria, was used to assign appropriate weights to the criteria. At the same time, the WEDBA method was used to evaluate the inventories. This approach was applied to the stocks listed in the BIST 100 Index. The results showed that the HRP-MCDM approach provided more successful results compared to the traditional HRP algorithm, thus providing a more robust solution to the problems previously encountered.