Analysis of the Ownership Structure in the Stock Portfolio of Risk-Taking and Risk-Averse Investors

Document Type : Research Paper

Authors

1 Department of Accounting, Payame Noor University, Tehran, Iran.

2 Department of Accounting, National University of Skills (NUS), Tehran, Iran.

Abstract

Objective: Long-term and continuous economic growth requires the optimal mobilization and allocation of resources at the national economy level, and this is not possible without the help of financial markets, especially a broad and efficient capital market. One of the important issues that is raised in capital markets and should be considered by investors, whether individuals or legal entities, is the selection of an optimal investment portfolio. Investors try to choose companies that are among the top companies and have high ratings. The aim of this research is to analyze the ownership structure in forming an optimal stock portfolio.
Method: For this purpose, a stock portfolio was formed using the financial information of 119 listed companies and the frog algorithm, and the ownership structure in the risk-taking and risk-averse stock portfolios was compared.
Results: The results demonstrate that the frog AI algorithm has the ability to form an optimal stock portfolio, and, in general, the ownership structure in the portfolio of risk-taking and risk-averse investors does not differ significantly.
Conclusion: As expected, the optimal stock portfolio is different for the range of risk-taking and risk-averse individuals, and individuals can form different optimal stock portfolios depending on their investment spirit in terms of risk-taking and expect the desired return, and the structure of government, family, institutional, and management ownership in the portfolio of risk-averse and risk-taking investors does not have information content.

Keywords

Main Subjects

References

بنی‌مهد، بهمن؛ مرادزاده فرد؛ مهدی و یعقوب، ناصح (1393). مالکیت شرکت‌های سرمایه‌گذاری و ارزش سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار. دانش سرمایه‌گذاری، 3(9)، 157-168. https://www.sid.ir/paper/187985.
بحری‌ثالث، جمال؛ پاک‌مرام، عسگر و ولی‌زاده، مصطفی (1397). انتخاب و بهینه‌سازی سبد سهام با استفاده از روش میانگین واریانس مارکویتز با بهره‌گیری از الگوریتم‌های مختلف. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 37، 43-57. https://www.sid.ir/paper/200229.
حمیدیان پور، فخریه و نعمت الهی، زعیمه (1391). بررسی اهمیت و نقش سرمایه فکری در انتخاب پرتفوی از میان شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. مجله دانش حسابداری، 3(11)، 133-160. https://jak.uk.ac.ir/article_507.html.
خواجه‌زاده، سامیران؛ دانشور، امیر؛ شاهوردیانی، شادی و معدنچی‌زاج، مهدی (1402). کاربرد تحلیل تکنیکال و فیلتر مارکوف در مدیریت سبد سهام بهینه آتی با تأکید بر میزان ریسک سرمایه‌گذار رویکرد هوش مصنوعی فراابتکاری. دانش حسابداری و حسابرسی مدیریت، 12(48)، 63-72. https://www.jmaak.ir/article_21937.html.
رحمانی، محمود؛ خلیلی‌عراقی، مریم و نیکومرام، هاشم (1399). انتخاب سبد سهام با به‌کارگیری الگوریتم کلونی مصنوعی زنبور و مقایسه آن با الگوریتم‌های ژنتیک و مورچگان. دانش مالی تحلیل اوراق بهادار، 13(45)، 31-46. https://www.sid.ir/paper/951354.
راجی‌زاده، سپیده و زینلی، حدیث (1401). تأثیر سرعت تغییرات سود بر نوسانات پرتفوی سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله توسعه و سرمایه، 7(2)، 233-252. https://jdc.uk.ac.ir/article_3351.html.
سرچمی، محمد؛ خدامی‌پور، احمد؛ محمدی، مجید و زینلی، حدیث (1402). ارزیابی توان مدل یادگیری عمیق و مدل مارکوئیتز در تشکیل پرتفوی بهینه سهام. تحقیقات حسابداری و حسابرسی، 15(57)، 47-68. DOI: 10.22034/IAAR.2023.172752.
سینایی، حسنعلی و گشتاسبی مهارلویی، رسول (1391). ارزیابی کارایی و عملکرد نسبی شرکت‌ها با رویکرد تحلیل پوششی داده ها به منظور تشکیل سبد سهام. مجله دانش حسابداری، 3(11)، 105-132. https://jak.uk.ac.ir/article_506.html.
فتحی، زاداله و احمدی‌نیا، حامد (1391). ارزیابی کارایی شرکت‌های سرمایه‌گذاری به کمک معیارهای منتخب مبتنی بر نظریه مدرن فرامدرن پرتفوی در بورس اوراق بهادار تهران. فصلنامه مهندسی مدیریت نوین، 1(1)، 1-18. https://jmem.dehaghan.iau.ir/article_526964.html.
لاله‌ماژین، مریم؛ زلقی، حسن؛ بیات، مرتضی و سبحانی، علی (1396). تأثیر مالکیت دولتی بر عملکرد شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. پژوهش‌های حسابداری مالی و حسابرسی، 9(36)، 151-170.DOI: 20.1001.1.23830379.1396.9.36.8.9 .
کیقبادی، امیررضا و احمدی، محمد (1395). مقایسه کارایی روش‌های GARCH و ARCH در پیش‌بینی ارزش در معرض ریسک جهت انتخاب پرتفولیوی بهینه. پژوهش‌های حسابداری مالی و حسابرسی، 32، 63-82. https://www.sid.ir/paper/197917.
محمدزاده، امیر و بحری، سجاد (1401). نقش تعدیلگر اندازه و عمر شرکت بر ارتباط بین مالکیت مدیریتی با محدودیت‌های نقدینگی و سرمایه‌گذاری. مدیریت دارایی و تأمین مالی، 10(4)، 1-24. DOI: 10.22108/AMF.2022.128050.1648.
محمدی‌باغملائی؛ حسین؛ پارسا، حجت؛ طهماسبی، سعید و حاجیانی، پرویز (1400). کاربرد معیار آنتروپی‌تجمعی و الگوریتم PSO در بهینه‌سازی سبد سهام شرکت‌های پتروشیمی بازار بورس اوراق بهادار. مجله توسعه و سرمایه، 41-55. DOI: 10.22103/JDC.2022.17949.1142.
معصوم‌علیشاهی، پویا و اعظمی، محسن (1397). بهینه‌سازی سبد سهام بر اساس مدل مارکویتز. همایش بین‌المللی مدیریت، حسابداری و اقتصاد دانش‌بنیان، مشهد، 18(23)، 33-37. https://civilica.com/l/9066.
مشایخی، بیتا و آژنگ، احمد (1396). بررسی تأثیر خانوادگی بودن شرکت بر عدم تقارن اطلاعاتی و هزینه سرمایه. فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 6(21)، 129-144. http://www.jik-ifea.ir/article_10240.html.
نوراحمدی، مرضیه و صادقی، حجت‌الله (1402). کاربرد شبکه‌های فیلترشده برمبنای آستانه در انتخاب سبد سهام و ارزیابی عملکرد آن. اقتصاد مالی، 10(15)، 111-115.DOI: 10.30495/FED.2023.705588 .
نوروش، ایرج و ابراهیمی‌کردلر، علی (1384). بررسی و تبیین رابطه ترکیب سهامداران با تقارن اطلاعات و سودمندی معیارهای حسابداری عملکرد. بررسی‌های حسابداری و حسابرسی، 12(4)، 97-124. DOI: 20.1001.1.26458020.1384.12.4.6.9.

References

Andrew, W., Constantin, P., & Wierzbicki, M. (2003). It is 11 pm- do you know your liquidity is? The mean-variance liquidity frontier. Journal of Investment Management, 1(1), 55-93. DOI: 10.1142/9789812700865_0003.
Bahri-Salth, J., Pakmaram, A., & Valizadeh, M. (2018). Selection and optimization of stock portfolio using the Markowitz mean-variance method using different algorithms. Financial Knowledge of Securities Analysis (Financial Studies), 37, 43-57. https://www.sid.ir/paper/200229 [In Persian].
Bani Mahd, B., Moradzadeh Fard, M., & Yaghoub, N. (2014). Ownership of investment companies and stock value of companies listed on the stock exchange. Investment Knowledge, 157-168. https://www.sid.ir/paper/187985 [In Persian].
Bechis, L., Cerri, F., & Vulpiani, M. (2020). Machine learning portfolio optimization: Hierarchical risk parity and modern portfolio theory. Master’s Degree in Corporate Finance, Department of business and management - chair of risk management. https://tesi.luiss.it/28022/1/709261_BECHIS_LUCA.pdf.
Chihua, L, Yijie, T., Tsung-Kang Ch. (2016). Top management team expertise and corporate real earnings management activities. Advances in Accounting, 14(3), 117-132. doi.org/10.1016/j.adiac.2016.07.007.
Chun-Hao, Ch., Cheng-Yu, L., Cheng-Yu, L. (2020). An intelligence approach for group stock portfolio optimization with a trading mechanism. Knowledge and Information Systems Volume, 62, 287–316. doi.org/10.1007/s10115-019-01353-2.
Dang, V.A., Kim, M., & Shin, Y. (2013). Asymmetric adjustment towardoptimal capital structure: Evidence from a crisis international review of financial analysis. Forthcoming. Available at, 10(26), 17-20. http://ssrn.com/abstract=2399451.
Eusuff, M., Lansey K., & Pasha, F. (2006). Shuffled frog-leaping algorithm: A memetic meta-heuristic for discrete optimizatio. Engineering Optimization, 38, 129-154. https://doi.org/10.1080/03052150500384759.
Fathi, Z., & Ahmadinia, H. (2012). Evaluating the efficiency of investment companies using selected criteria based on modern and metamodern portfolio theory in Tehran Stock Exchange. Quarterly Journal of Modern Management Engineering, 1(1), 1-18. https://jmem.dehaghan.iau.ir/article_526964.html [In Persian].
Firth,M., Stephen X.G., & Liwei S. (2013). Cost of government and firm value. Journal of Corporate Finance, 21 136–152. DOI: 10.1016/j.jcorpfin.2013.01.008.
Hanauer, M.X., & Kalsbach, T. (2023). Machine learning and the cross-section of emerging market stock returns. Emerging Markets Review Volume, 55(13), 30-33. https://ssrn.com/abstract=4287550.
Hibbert, A., Lawrence, E., & Prakash, A. (2013). Does knowledge of finance mitigate the gender difference in financial risk-aversion? Global Finance Journal, 24(2), 140–152. doi.org/10.1016/j.gfj.2013.07.002.
Hamidiyanpour, F., & Neamatollahi, Z. (2013). Study on the importance and role of intellectual capital in portfolio selection among companies listed in Tehran. Journal of Accounting Knowledge, 3(11), 133-160. DOI: 10.22103/jak.2013.507 [In Persian].
Jasemi, M., Kimiagari, A.M., Memariani, A. (2011). A conceptual model for portfolio management sensitive to mass psychology of market. International Journal of Industrial Engineering, 18(1), 1-15. https://www.researchgate.net/publication/285953509.
Keyghabadi, A.R., & Ahmadi, M. (2016). Comparing the efficiency of GARCH and ARCH methods in predicting value at risk for optimal portfolio selection. Financial Accounting and Auditing Research, 32, 63-82. https://www.sid.ir/paper/197917 [In Persian].
Khajehzadeh, S., Daneshvar, A., Shahvardiani, S., & Madanchizaj, M. (2023). Application of technical analysis and Markov filter in managing optimal future stock portfolio with emphasis on investor risk using the meta-heuristic artificial intelligence approach. Accounting and Auditing Management Science, 12(48), 63-72. https://www.jmaak.ir/article_21937.html?lang=en [In Persian].
Lalehmajin, M., Zalghi, H., Bayat, M., & Sobhani, A. (2017). The effect of government ownership on the performance of companies listed on the Tehran Stock Exchange. Financial Accounting and Auditing Research, 9(36), 151-170. DOI: 20.1001.1.23830379.1396.9.36.8.9 [In Persian].
Markowitz, H. (1952). Portfolio selection. Journal of Finance, 7(1), 77-91. https://www.jstor.org/stable/2975974.
Markowitz, H. (1959). Portfolio selection: Efficient diversification of investments. New York: John Wiley & Sons, Inc, 23(9), 11-17. https://www.jstor.org/stable/j.ctt1bh4c8h.
Mashayekhi, B., & Azhang, A. (2017). Effect of family firms on information asymmetry and cost of capital. Journal of Investment Knowledge, 6(21), 129-144. http://www.jik-ifea.ir/article_10240.html?lang=en [In Persian].
Masoom Alishahi, P., & Azami, M. (2018). Stock portfolio optimization based on the Markowitz model. International Conference on Management, Accounting and Knowledge-Based Economics, Mashhad, 18(23), 33-37. https://civilica.com/l/9066 [In Persian].
Mohamadzadeh, A., & Bahri, S. (2022). The moderating role of firm’s size and age in the relationship of managerial ownership with liquidity and ‎investment constraints‎. Journal of Asset Management and Financing, 10(4), 1-24. DOI: 10.22108/amf.2022.128050.1648 [In Persian].
Mohammadi Baghmolaei, H., Parsa, H., Tahmasebi, S., & Hajiani, P. (2021). Application of cumulative entropy measure and PSO algorithm in Tehran Stock Exchange petrochemical companies portfolio optimization. Journal of Development and Capital, 6(2), 41-55. DOI: 10.22103/jdc.2022.17949.1142 [In Persian].
Noorahmadi, M., & Sadeghi, H. (2013). Application of threshold-based filtered networks in stock portfolio selection and performance evaluation. Financial Economics, 10(15), 111-115. DOI: 10.30495/FED.2023.705588 [In Persian].
Norush, I., & Ebrahimi-Kardlar, A. (2005). Investigating and explaining the relationship between shareholder composition, information asymmetry and the usefulness of performance accounting measures. Accounting and Auditing Reviews, 12(4), 97-124. DOI: 20.1001.1.26458020.1384.12.4.6.9 [In Persian].
Nti, A.F., Adekoya, B.A., & Weyori, I.K. (2020). A systematic review of fundamental and technical analysis of stock market predictions. Artificial Intelligence Review, 53(11), 3007–3057. DOI: 10.1007/s10462-019-09754-z.
Rahmani, M., Khalili-Iraqi, M., & Nikomaram, H. (2019). Stock portfolio selection using artificial bee colony algorithm and its comparison with genetic and ants algorithms. Financial Knowledge of Securities Analysis, 13(45), 31-46. https://www.sid.ir/paper/951354 [In Persian].
Rajizadeh, S., & Zeinali, H. (2022). The impact of profit changes speed on stock portfolio fluctuations companies accepted in Tehran Stock Exchange. Journal of Development and Capital, 7(2), 233-252. DOI: 10.22103/jdc.2022.19038.1208 [In Persian].
Ralph, E.S., & Yue, Q. (2005). Suitable-portfolio investors, nondominated frontier sensitivity, and the effect of multiple objectives on standard portfolio selection. TerryCollege of Business, University of GeorgiaAthens, Georgia 30602-6253 USA. DOI: 10.1007/s10479-006-0137-1.
Ruiz-Mallorqu, M.V., & Santana-Martin, D.J. (2011). Dominant institutional ownersand firm value. Journal of Banking & Finance, 35, 118–129. https://doi.org/10.1016/j.jbankfin.2010.07.020.
Sarchami, M., khodamipour, A., Mohammadi, M., & Zeinali, H. (2023). Evaluation of deep learning and Markowitz models ability in optimal stock portfolio formation. Accounting and Auditing Research, 15(57), 47-68. DOI: 10.22034/iaar.2023.172752 [In Persian].
Sinaei, H.A., & Goshtasbi, R. (2013). Evaluating efficiency and relative performance of firms by data envelopment analysis approach for making portfolio. Journal of Accounting Knowledge, 3(11), 105-132. DOI: 10.22103/jak.2013.506 [In Persian].
Tanaka, H., & Guo, P. (1999). Portfolio selection based on upper and lower exponential possibility distributions. European Journal of Operational Research, 114(1), 115–126. DOI: 10.1016/S0377-2217(98)00033-2.
Thakur, G., Bhattacharyya, R., Sarkar, S. (2017). Stock portfolio selection using dempster-shafer evidence theory. Journal of King Saud University Computer and Information Science,1-13. DOI: 10.1016/j.jksuci.2016.07.001.
Thomsen, S., Torben, P., & Hans, K.K. (2006). Blockholder ownership: Effects on firm value in market and control based governance systems. Journal of Corporate Finance, 12, 246–269. https://doi.org/10.1016.
Vasiani, V.D., Handari, B.D., & Hertono, G.F. (2020). Stock portfolio optimization using priority index and genetic algorithm. Conference Series Journal of Physics Conference Series, 1442, 012031. DOI: 10.1088/1742-6596/1442/1/012031.

Files

History

  • Receive Date: 31 October 2023
  • Revise Date: 09 February 2024
  • Accept Date: 13 February 2024

Share

How to cite

Statistics