ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США
Introduction. Modern Portfolio Theory (MPT) provides a quantitative framework for making informed investment decisions. The highly variable and uncertain U.S. technology sector challenges traditional investment approaches, necessitating methods that better address its unique risk-return trade-offs.P...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
PH “Akademperiodyka”
2025
|
| Теми: | |
| Онлайн доступ: | https://scinn-eng.org.ua/ojs/index.php/ni/article/view/773 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Science and Innovation |
Репозитарії
Science and Innovation| id |
oai:ojs2.scinn-eng.org.ua:article-773 |
|---|---|
| record_format |
ojs |
| institution |
Science and Innovation |
| baseUrl_str |
|
| datestamp_date |
2025-04-13T14:38:04Z |
| collection |
OJS |
| language |
English |
| topic |
оптимізація лінія розподілу капіталу ефективний кордон програмування на Python |
| spellingShingle |
оптимізація лінія розподілу капіталу ефективний кордон програмування на Python SHOLOPAK, V. TRETIAK, D. ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| topic_facet |
оптимізація лінія розподілу капіталу ефективний кордон програмування на Python Optimization Capital Allocation Line Efficient Frontier Python Programming |
| format |
Article |
| author |
SHOLOPAK, V. TRETIAK, D. |
| author_facet |
SHOLOPAK, V. TRETIAK, D. |
| author_sort |
SHOLOPAK, V. |
| title |
ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| title_short |
ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| title_full |
ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| title_fullStr |
ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| title_full_unstemmed |
ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США |
| title_sort |
оптимізація за дисперсією та середнім значенням: моделювання оптимального інвестиційного портфеля в технологічному секторі сша |
| title_alt |
Mean-Variance Optimization: Modeling an Optimal Investment Portfolio in the U.S. Tech Sector |
| description |
Introduction. Modern Portfolio Theory (MPT) provides a quantitative framework for making informed investment decisions. The highly variable and uncertain U.S. technology sector challenges traditional investment approaches, necessitating methods that better address its unique risk-return trade-offs.Problem Statement. Traditional investment strategies frequently fail to capture the dynamic and volatilenature of the tech market. They rely on limited data and inefficient calculation processes, resulting in suboptimalasset allocation. One of the advanced methods for refining portfolio formation strategies tailored to the tech market is the mean-variance optimization (MVO) method.Purpose. To optimize mean-variance optimization (MVO) to construct optimal portfolios for the U.S. tech sector, leveraging contributions from MPT, Sharpe’s optimization techniques, and Tobin’s asset allocation model.Materials and Methods. Historical stock data serves as the basis for implementing MVO with Python to construct portfolios that include a risk-free asset, enabling the calculation of the Capital Allocation Line (CAL) and the upper Efficient Frontier. The geometric mean evaluates expected returns, improving long-term predictabilityand portfolio comparability, while daily returns enhance the model’s sensitivity.Results. The study has demonstrated that optimized portfolios achieve higher Sharpe ratios and superior riskreturn characteristics, outperforming benchmarks through effi cient computation.Conclusions. The MVO is an effective investment tool for the tech sector, enabling informed asset selection andportfolio construction. This study has highlighted the importance of integrating iterative calculation processes and advanced computational techniques to adapt traditional investment strategies to the extensive data requirements of today’s markets. |
| publisher |
PH “Akademperiodyka” |
| publishDate |
2025 |
| url |
https://scinn-eng.org.ua/ojs/index.php/ni/article/view/773 |
| work_keys_str_mv |
AT sholopakv meanvarianceoptimizationmodelinganoptimalinvestmentportfoliointheustechsector AT tretiakd meanvarianceoptimizationmodelinganoptimalinvestmentportfoliointheustechsector AT sholopakv optimízacíâzadispersíêûtaserednímznačennâmmodelûvannâoptimalʹnogoínvesticíjnogoportfelâvtehnologíčnomusektorísša AT tretiakd optimízacíâzadispersíêûtaserednímznačennâmmodelûvannâoptimalʹnogoínvesticíjnogoportfelâvtehnologíčnomusektorísša |
| first_indexed |
2025-09-24T17:19:12Z |
| last_indexed |
2025-09-24T17:19:12Z |
| _version_ |
1850411239339982848 |
| spelling |
oai:ojs2.scinn-eng.org.ua:article-7732025-04-13T14:38:04Z Mean-Variance Optimization: Modeling an Optimal Investment Portfolio in the U.S. Tech Sector ОПТИМІЗАЦІЯ ЗА ДИСПЕРСІЄЮ ТА СЕРЕДНІМ ЗНАЧЕННЯМ: МОДЕЛЮВАННЯ ОПТИМАЛЬНОГО ІНВЕСТИЦІЙНОГО ПОРТФЕЛЯ В ТЕХНОЛОГІЧНОМУ СЕКТОРІ США SHOLOPAK, V. TRETIAK, D. оптимізація, лінія розподілу капіталу, ефективний кордон, програмування на Python Optimization Capital Allocation Line Efficient Frontier Python Programming Introduction. Modern Portfolio Theory (MPT) provides a quantitative framework for making informed investment decisions. The highly variable and uncertain U.S. technology sector challenges traditional investment approaches, necessitating methods that better address its unique risk-return trade-offs.Problem Statement. Traditional investment strategies frequently fail to capture the dynamic and volatilenature of the tech market. They rely on limited data and inefficient calculation processes, resulting in suboptimalasset allocation. One of the advanced methods for refining portfolio formation strategies tailored to the tech market is the mean-variance optimization (MVO) method.Purpose. To optimize mean-variance optimization (MVO) to construct optimal portfolios for the U.S. tech sector, leveraging contributions from MPT, Sharpe’s optimization techniques, and Tobin’s asset allocation model.Materials and Methods. Historical stock data serves as the basis for implementing MVO with Python to construct portfolios that include a risk-free asset, enabling the calculation of the Capital Allocation Line (CAL) and the upper Efficient Frontier. The geometric mean evaluates expected returns, improving long-term predictabilityand portfolio comparability, while daily returns enhance the model’s sensitivity.Results. The study has demonstrated that optimized portfolios achieve higher Sharpe ratios and superior riskreturn characteristics, outperforming benchmarks through effi cient computation.Conclusions. The MVO is an effective investment tool for the tech sector, enabling informed asset selection andportfolio construction. This study has highlighted the importance of integrating iterative calculation processes and advanced computational techniques to adapt traditional investment strategies to the extensive data requirements of today’s markets. Вступ. Сучасна портфельна теорія (СПТ) забезпечує кількісну основу для прийняття обґрунтованих інвестиційних рішень. Нестабільний та непередбачуваний технологічний сектор США ставить під сумнів традиційні інвестиційні підходи, що робить необхідним дослідження методів, які краще враховують його унікальні співвідношення ризику та дохідності.Проблематика. Традиційні інвестиційні стратегії часто не здатні адекватно врахувати динамічну природу технологічного ринку, оскільки вони покладаються на обмежену кількість даних і неефективні процеси розрахунків, що призводить до неоптимального розподілу активів. Одним із прогресивних методів вдосконалення стратегій формування портфеля, адаптованих до технологічного ринку, є метод оптимізації за дисперсією та середнім значення (MVO).Мета. Оптимізація MVO для формування оптимальних портфелів у технологічному секторі США з використанням внесків СПТ, оптимізаційних технік Шарпа та моделі розподілу активів Тобіна.Матеріали й методи. Використовуючи історичні дані про акції, MVO реалізовано за допомогою Python для формування портфелів, які включають безризиковий актив для розрахунку лінії розподілу капіталу (CAL) та верхньої ефективної межі. Геометричне середнє використано для оцінки очікуваної дохідності, що підвищує довгострокову прогнозованість і порівнянність портфелів, тоді як щоденні дохідності підвищують чутливість моделі.Результати. Оптимізовані портфелі продемонстрували вищі коефіцієнти Шарпа та кращі характеристики ризику та дохідності, перевершуючи бенчмарки завдяки ефективним обчисленням.Висновки. MVO є ефективним інструментом для інвестування в технологічному секторі, дозволяючи проводити інформований вибір активів і формування портфеля. Дослідження також підкреслює важливість інтеграції ітеративних процесів розрахунків та сучасних обчислювальних технік для адаптації традиційних інвестиційних стратегій до великих обсягів даних у сучасних ринкових умовах. PH “Akademperiodyka” 2025-04-12 Article Article Рецензована стаття Peer-reviewed article application/pdf https://scinn-eng.org.ua/ojs/index.php/ni/article/view/773 10.15407/scine21.02.101 Science and Innovation; Том 21 № 2 (2025): Science and Innovation; 101-114 Science and Innovation; Vol. 21 No. 2 (2025): Science and Innovation; 101-114 2413-4996 2409-9066 10.15407/scine21.02 en https://scinn-eng.org.ua/ojs/index.php/ni/article/view/773/261 Copyright (c) 2025 Copyright Notice Authors published in the journal “Science and Innovation” agree to the following conditions: Authors retain copyright and grant the journal the right of first publication. Authors may enter into separate, additional contractual agreements for non-exclusive distribution of the version of their work (article) published in the journal “Science and Innovation” (for example, place it in an institutional repository or publish in their book), while confirming its initial publication in the journal “Science and innovation.” Authors are allowed to place their work on the Internet (for example, in institutional repositories or on their website). https://creativecommons.org/licenses/by-nc/4.0/ |