ଉନ୍ନତ ବିତ୍ତ ଓ ବ୍ୟବସାୟ

Efficient Frontier Tool

Asset 1 Return (%)

Asset 2 Return (%)

Asset 1 Std Dev (%)

Asset 2 Std Dev (%)

Correlation (ρ)

କ'ଣ Efficient Frontier Tool?

▾

ଫଳପ୍ରଦ ସୀମାନ୍ତ ହେଉଛି ସର୍ବୋତ୍କୃଷ୍ଟ ପୋର୍ଟଫୋଲିଓର ସେଟ୍ ଯାହାକି ଯେକ given ଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ତରର ବିପଦ ପାଇଁ ସର୍ବାଧିକ ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ ପ୍ରଦାନ କରିଥାଏ (ଯେପରି ପୋର୍ଟଫୋଲିଓ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ଦ୍ meas ାରା ମାପ କରାଯାଇଥାଏ), କିମ୍ବା ସମାନ ଭାବରେ, ଯେକ given ଣସି ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ପାଇଁ ସର୍ବନିମ୍ନ ବିପଦ | ଜର୍ଣ୍ଣାଲ ଅଫ୍ ଫାଇନାନ୍ସରେ ପ୍ରକାଶିତ 1952 କାଗଜ 'ପୋର୍ଟଫୋଲିଓ ଚୟନ' ରେ ହ୍ୟାରି ମାର୍କୋୱିଜ୍ ଏହା ଦ୍ introduced ାରା ପରିଚିତ ହୋଇଥିଲେ - ଯାହା ତାଙ୍କୁ 1990 ରେ ଅର୍ଥନ Sciences ତିକ ବିଜ୍ଞାନରେ ନୋବେଲ ପୁରସ୍କାର ଅର୍ଜନ କରିଥିଲା ଏବଂ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ ବିଷୟରେ ନିବେଶକମାନେ କିପରି ଭାବନ୍ତି ତାହା ମ ament ଳିକ ରୂପାନ୍ତରିତ ହୋଇଥିଲା। ମାର୍କୋୱିଜ୍ଙ୍କର ପ୍ରମୁଖ ଅନ୍ତର୍ଦୃଷ୍ଟି ଥିଲା ଯେ ନିବେଶକମାନେ ସମ୍ପତ୍ତିକୁ ପୃଥକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିବା ଉଚିତ୍ ନୁହେଁ ବରଂ ସାମଗ୍ରିକ ପୋର୍ଟଫୋଲିଓ ବିପଦରେ ସେମାନେ କିପରି ଅବଦାନ ଦିଅନ୍ତି ସେହି ପ୍ରସଙ୍ଗରେ | ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ, ସମ୍ପତ୍ତିକୁ ମିଶ୍ରଣ କରିବା ଯାହା ସଂପୂର୍ଣ୍ଣ ଭାବରେ ସଂଯୁକ୍ତ ନୁହେଁ (ସମ୍ପର୍କ <1.0) ବ୍ୟକ୍ତିଗତ ପୋର୍ଟଫୋଲିଓ ବିପଦକୁ ବ୍ୟକ୍ତିଗତ ସମ୍ପତ୍ତି ବିପଦର ଓଜନ ହାରାହାରି ଠାରୁ କମ୍ କରିଥାଏ - ବିବିଧକରଣ ନାମକ ଏକ ଘଟଣା | ସମ୍ପତ୍ତି ମଧ୍ୟରେ ସମ୍ପର୍କ ଯେତେ କମ୍ ହେବ, ବିବିଧକରଣ ଲାଭ ସେତେ ଅଧିକ ହେବ ଏବଂ ପୋର୍ଟଫୋଲିଓର ରିସ୍କ-ରିଟର୍ନ ବାଣିଜ୍ୟ ବନ୍ଦରେ ଉନ୍ନତି ହେବ | ଏକ ଗାଣିତିକ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାର ସମାଧାନ କରି ଦକ୍ଷ ସୀମା ଉତ୍ପନ୍ନ ହୁଏ: ଜଣାଶୁଣା ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ, ଅସ୍ଥିରତା, ଏବଂ ଯୁଗ୍ମ ସମ୍ପର୍କ ସହିତ ସମ୍ପତ୍ତିର ଏକ ସେଟ୍ ଦିଆଯାଏ, ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣର ପ୍ରତ୍ୟେକ ସ୍ତର ପାଇଁ ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସ (କିମ୍ବା ସମାନ ଭାବରେ, ମାନକ ବିଘ୍ନ) କୁ କମ୍ କରିଥାଏ | ରିସ୍କ-ରିଟର୍ନ ସ୍ପେସ୍ ରେ ପରିଣତ ହୋଇଥିବା ବକ୍ରଟି ହାସଲ ଯୋଗ୍ୟ ପୋର୍ଟଫୋଲିଓର ସୀମାକୁ ଚିହ୍ନିତ କରେ - ସୀମା ତଳେ ଥିବା ଯେକ any ଣସି ପୋର୍ଟଫୋଲିଓ ସବୋପିଟିମାଲ୍ (ଏହାର ପ୍ରତ୍ୟାବର୍ତ୍ତନ ସ୍ତର ପାଇଁ ଅତ୍ୟଧିକ ବିପଦଜନକ), ଏବଂ ସୀମା ଉପରେ ଥିବା ଯେକ any ଣସି ପୋର୍ଟଫୋଲିଓ ଗାଣିତିକ ଭାବରେ ଉପଲବ୍ଧ ନୁହେଁ | କ୍ୟାପିଟାଲ୍ ମାର୍କେଟ୍ ଲାଇନ୍ (CML) ଏକ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ଉପସ୍ଥାପନ କରି ଦକ୍ଷ ସୀମା ଧାରଣାକୁ ବିସ୍ତାର କରେ | ଯେତେବେଳେ ବିପଦପୂର୍ଣ୍ଣ ପୋର୍ଟଫୋଲିଓ ସହିତ ମିଳିତ ହୁଏ, ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ନିବେଶକମାନଙ୍କୁ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ (ପ୍ରଭାବଶାଳୀ ସୀମାରେ ଥିବା ବିପଦପୂର୍ଣ୍ଣ ପୋର୍ଟଫୋଲିଓ ଯାହା ଶାର୍ପ ଅନୁପାତକୁ ସର୍ବାଧିକ କରିଥାଏ) ସହିତ ମିଶ୍ରଣ କରି CML ଉପରେ ଯେକ point ଣସି ବିନ୍ଦୁ ହାସଲ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ହେଉଛି ନିବେଶକମାନଙ୍କ ପାଇଁ ତତ୍ତ୍ୱଗତ ଭାବରେ ସର୍ବୋଚ୍ଚ ବିପଦପୂର୍ଣ୍ଣ ପୋର୍ଟଫୋଲିଓ ଆବଣ୍ଟନ, ଯେଉଁମାନେ ଏହାକୁ ଏକ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ସହିତ ମିଶ୍ରଣ କରିପାରିବେ | ରଣନୀତିକ ସମ୍ପତ୍ତି ଆବଣ୍ଟନ, ପେନ୍ସନ୍ ପାଣ୍ଠି ବିନିଯୋଗ ନୀତି ସୂତ୍ର, ଏଣ୍ଡୋମେଣ୍ଟ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ, ରୋବୋ-ଆଡଭାଇଜର୍ ଅପ୍ଟିମାଇଜେସନ୍ ଇଞ୍ଜିନ୍ ଏବଂ ଏକାଡେମିକ୍ ଫାଇନାନ୍ସ ଅନୁସନ୍ଧାନରେ ଦକ୍ଷ ସୀମା framework ାଞ୍ଚା ବ୍ୟବହୃତ ହୁଏ | ଇନପୁଟ୍ ଅନୁମାନ (ବିଶେଷତ expected ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ) ରେ ଫଳାଫଳର ସମ୍ବେଦନଶୀଳତା ସମ୍ବନ୍ଧରେ ସମାଲୋଚନା ସତ୍ତ୍, େ, ପୋର୍ଟଫୋଲିଓ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ framework ାଞ୍ଚା ପ୍ରାଧାନ୍ୟ formal ପଚାରିକ ଆଭିମୁଖ୍ୟ ହୋଇ ରହିଥାଏ |

DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.

ସୂତ୍ର

▾

f(x)

Min_p = Σ_i Σ_j w_i × w_j × Cov (R_i, R_j) କୁ କମ୍ କରନ୍ତୁ |
ବିଷୟ: Σ w_i = 1, E (R_p) = ଲକ୍ଷ୍ୟ, w_i ≥ 0 (କେବଳ ଲମ୍ବା)
ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ: ସର୍ବାଧିକ (E (R_p) - R_f) / σ_p |

ଚଳ ବ୍ୟାଖ୍ୟା

▾

ସଙ୍କେତ	ନାମ	ଏକକ	Description
E(R_p)	ଆଶାକରାଯାଇଥିବା ପୋର୍ଟଫୋଲିଓ ରିଟର୍ନ \|	% per year	ବ୍ୟକ୍ତିଗତ ସମ୍ପତ୍ତିର ଓଜନିଆ ହାରାହାରି ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ: E (R_p) = Σ w_i × E (R_i) \|
σ_p	ପୋର୍ଟଫୋଲିଓ ମାନକ ବିଘ୍ନ \|	% per year	ସମୁଦାୟ ପୋର୍ଟଫୋଲିଓ ବିପଦ: σ_p = √ (Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ_ {ij}) \|
w_i	ସମ୍ପତ୍ତି ଓଜନ	% (0 to 1)	ସମ୍ପତ୍ତିରେ ବିନିଯୋଗ ହୋଇଥିବା ପୋର୍ଟଫୋଲିଓର ଅନୁପାତ i; ସମସ୍ତ ଓଜନ 1.0 ପର୍ଯ୍ୟନ୍ତ ହେବା ଜରୁରୀ \|
ρ_{ij}	ସମ୍ପର୍କ କୋଏଫିସିଏଣ୍ଟ୍ \|	dimensionless (−1 to +1)	ସମ୍ପତ୍ତିର ରିଟର୍ନ i ଏବଂ j ମଧ୍ୟରେ ସମ୍ପର୍କ; ନିମ୍ନ ସମ୍ପର୍କଗୁଡିକ ଅଧିକ ବିବିଧତା ଲାଭ କରିଥାଏ \|
Sharpe	ତୀକ୍ଷ୍ଣ ଅନୁପାତ \|	dimensionless	ବିପଦ-ନିୟନ୍ତ୍ରିତ ରିଟର୍ନ ମାପ = (E (R_p) - R_f) / σ_p; ଦକ୍ଷ ସୀମାରେ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓରେ ସର୍ବାଧିକ \|
R_f	ବିପଦମୁକ୍ତ ହାର	% per year	ଏକ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତିର ଫେରସ୍ତ; ଦକ୍ଷ ସୀମା ସହିତ କ୍ୟାପିଟାଲ୍ ମାର୍କେଟ୍ ଲାଇନ୍ ଟାଙ୍ଗେଣ୍ଟ ଚିହ୍ନଟ କରିବାକୁ ବ୍ୟବହୃତ ହୁଏ \|

କିପରି Efficient Frontier Tool

▾

1ଏକ ସାଧାରଣ ଅବଧି ମଧ୍ୟରେ ସମସ୍ତ ପ୍ରାର୍ଥୀ ସମ୍ପତ୍ତି ପାଇଁ historical ତିହାସିକ ରିଟର୍ନ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ | ପ୍ରତ୍ୟେକ ସମ୍ପତ୍ତି ପାଇଁ ଆଶା କରାଯାଉଥିବା ରିଟର୍ନକୁ ଗଣନା କରନ୍ତୁ (ସାଧାରଣତ the historical ତିହାସିକ ଅର୍ଥ କିମ୍ବା ଏକ ଆଗକୁ ଦେଖାଯାଉଥିବା ଆକଳନ), ପ୍ରତ୍ୟେକ ସମ୍ପତ୍ତିର ରିଟର୍ଣ୍ଣର ଭିନ୍ନତା / ମାନକ ବିଚ୍ୟୁତି ଏବଂ ସମସ୍ତ ସମ୍ପତ୍ତି ଯୁଗଳ ମଧ୍ୟରେ ଯୁଗ୍ମ ସମ୍ପର୍କ ସମ୍ବନ୍ଧୀୟ ମ୍ୟାଟ୍ରିକ୍ସ ଗଣନା କରନ୍ତୁ |
2କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ନିର୍ମାଣ କରନ୍ତୁ: ପ୍ରତ୍ୟେକ ଯୋଡି ପାଇଁ କୋଭ (R_i, R_j) = ρ_ {ij} × σ_i × σ_j | ବ valid ଧ ସମାଧାନ ପାଇବା ପାଇଁ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ ନିଶ୍ଚିତ ଭାବରେ ସକରାତ୍ମକ ଅର୍ଦ୍ଧ-ନିର୍ଦ୍ଦିଷ୍ଟ ହେବା ଆବଶ୍ୟକ |
3ପୋର୍ଟଫୋଲିଓ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ସେଟ୍ ଅପ୍ କରନ୍ତୁ: ପୋର୍ଟଫୋଲିଓ ଭାରିଏନ୍ସ (w ^ T Σ w) କୁ ଏକ ଲକ୍ଷ୍ୟ ଧାର୍ଯ୍ୟ ପ୍ରତ୍ୟାବର୍ତ୍ତନ ସୀମା (w ^ T μ = μ_ ଟାର୍ଗେଟ୍), ବଜେଟ୍ ସୀମା (Σ w_i = 1), ଏବଂ ଯେକ additional ଣସି ଅତିରିକ୍ତ ପ୍ରତିବନ୍ଧକ (ଯଥା, ସ୍ୱଳ୍ପ ବିକ୍ରୟ ନାହିଁ: w_i ≥ 0) |
4ଲକ୍ଷ୍ୟ ଧାର୍ଯ୍ୟ ରିଟର୍ଣ୍ଣର ସୀମା ପାଇଁ ଚତୁର୍ଥାଂଶ ପ୍ରୋଗ୍ରାମିଂ ସମସ୍ୟାର ସମାଧାନ କରନ୍ତୁ - ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ (ଦକ୍ଷ ସୀମାରେ ବାମପଟ ବିନ୍ଦୁ) ଠାରୁ ସର୍ବାଧିକ ରିଟର୍ନ ପୋର୍ଟଫୋଲିଓ (ସର୍ବାଧିକ ରିଟର୍ନ ସମ୍ପତ୍ତିରେ 100%) ପର୍ଯ୍ୟନ୍ତ | ପ୍ରତ୍ୟେକ ସମାଧାନ ଏକ ପୋର୍ଟଫୋଲିଓର ଓଜନ, ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ ଏବଂ ମାନକ ବିଘ୍ନ ପ୍ରଦାନ କରେ |
5ସମସ୍ତ କାର୍ଯ୍ୟକ୍ଷମ ପୋର୍ଟଫୋଲିଓ ମିଶ୍ରଣକୁ (σ_p, E (R_p)) ଯୋଡି ରିସ୍କ-ରିଟର୍ନ ସ୍ଥାନରେ ପ୍ଲଟ୍ କରନ୍ତୁ | ଫଳସ୍ୱରୂପ ପାରାବୋଲିକ୍ ବକ୍ରର ଉପର ଅଂଶ ହେଉଛି ଦକ୍ଷ ସୀମା; ନିମ୍ନ ଭାଗ (ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ ତଳେ) ପ୍ରାଧାନ୍ୟ ଏବଂ ଅପାରଗ |
6Y- ଅକ୍ଷରେ ବିପଦମୁକ୍ତ ହାରରୁ ଏକ ରେଖା ଅଙ୍କନ କରି ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓକୁ ଚିହ୍ନଟ କରନ୍ତୁ ଯାହା କାର୍ଯ୍ୟକ୍ଷମ ସୀମା ସହିତ ଟାଙ୍ଗେଣ୍ଟ୍ | ଟାଙ୍ଗେଣ୍ଟ ପଏଣ୍ଟ ସୀମାନ୍ତରେ ଥିବା ସମସ୍ତ ପୋର୍ଟଫୋଲିଓ ମଧ୍ୟରେ ଶାର୍ପ ଅନୁପାତକୁ ସର୍ବାଧିକ କରିଥାଏ | ଏହା ହେଉଛି CAPM framework ାଞ୍ଚା ଅନ୍ତର୍ଗତ ସର୍ବୋଚ୍ଚ ବିପଦପୂର୍ଣ୍ଣ ପୋର୍ଟଫୋଲିଓ |
7ସେମାନଙ୍କ ବିପଦ ସହନଶୀଳତା ଉପରେ ଆଧାର କରି କ୍ୟାପିଟାଲ ମାର୍କେଟ ଲାଇନ ସହିତ ନିବେଶକଙ୍କ ସର୍ବୋଚ୍ଚ ପୋର୍ଟଫୋଲିଓ ଚୟନ କରନ୍ତୁ: ବିପଦମୁକ୍ତ ନିବେଶକମାନେ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ଏବଂ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓର ମିଶ୍ରଣ ଧାରଣ କରନ୍ତି; ବିପଦ ସନ୍ଧାନକାରୀ ନିବେଶକମାନେ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓକୁ ଲିଭର୍ କରିବାକୁ ବିପଦମୁକ୍ତ ହାରରେ orrow ଣ କରନ୍ତି |

ସମାଧାନ ହୋଇଥିବା ଉଦାହରଣ

▾

ଉଦାହରଣ 1ଦୁଇ-ସମ୍ପତ୍ତି ପୋର୍ଟଫୋଲିଓ - ଷ୍ଟକ୍ ଏବଂ ବଣ୍ଡ୍ |

ଦିଆ ଯାଇଛି:ଷ୍ଟକ୍: 10% ଫେରସ୍ତ, σ = 16%; ବଣ୍ଡ: 4% ଫେରସ୍ତ, σ = 6%; ସମ୍ପର୍କ = 0.10

ଫଳ:ମିନି-ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ: ~ 25% ଷ୍ଟକ୍ / 75% ବଣ୍ଡ, σ = 5.9%, ଫେରସ୍ତ = 5.5%; ଟାଙ୍ଗେନ୍ସି (Rf = 3%): ~ 60% ଷ୍ଟକ୍ / 40% ବଣ୍ଡ୍ |

ନିମ୍ନ ସମ୍ପର୍କ (0.10) ମହତ୍ di ପୂର୍ଣ୍ଣ ବିବିଧତା ପ୍ରଦାନ କରେ - ପୋର୍ଟଫୋଲିଓ ବିପଦ ସମ୍ପତ୍ତିର ବ୍ୟକ୍ତିଗତ ବିପଦଠାରୁ କମ୍ ଅଟେ |

0.10 ର କମ୍ ସମ୍ପର୍କ ସହିତ, ଷ୍ଟକ୍ ଏବଂ ବଣ୍ଡକୁ ମିଶାଇ ପୋର୍ଟଫୋଲିଓ ବିପଦକୁ ଯଥେଷ୍ଟ କମ କରିଥାଏ | ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ ପ୍ରାୟ 25% ଷ୍ଟକ୍ ଏବଂ 75% ବଣ୍ଡ ଧାରଣ କରିଥାଏ, ଯାହା ପ୍ରାୟ 5.9% ପୋର୍ଟଫୋଲିଓ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ହାସଲ କରିଥାଏ - ଏହି ଓଜନରେ ମିଳିତ ହେଲେ ଉଭୟ ଷ୍ଟକ୍ ଅସ୍ଥିରତା (16%) ଏବଂ ବଣ୍ଡ ଅସ୍ଥିରତା (6%) ଠାରୁ କମ୍ | 3% ବିପଦମୁକ୍ତ ହାର ସହିତ ସର୍ବାଧିକ ଶାର୍ପ ଅନୁପାତକୁ ଟାର୍ଗେଟ କରୁଥିବା ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ପ୍ରାୟ 60% ଷ୍ଟକ୍ ଏବଂ 40% ବଣ୍ଡ ଧାରଣ କରିଥାଏ - କ୍ଲାସିକ୍ 60/40 ପୋର୍ଟଫୋଲିଓ ଏହି ଅପ୍ଟିମାଇଜେସନ୍ framework ାଞ୍ଚାରୁ ସ୍ natural ାଭାବିକ ଭାବରେ ଉତ୍ପନ୍ନ ହୁଏ ଯେତେବେଳେ ଇନପୁଟ୍ ଦୀର୍ଘ ସମୟର historical ତିହାସିକ ହାରାହାରି ପ୍ରତିଫଳିତ କରେ |

ଉଦାହରଣ 2ସଂପୂର୍ଣ୍ଣ ନକାରାତ୍ମକ ସମ୍ପର୍କ - ସର୍ବାଧିକ ବିବିଧତା |

ଦିଆ ଯାଇଛି:ସମ୍ପତ୍ତି A: 8% ଫେରସ୍ତ, σ = 12%; ସମ୍ପତ୍ତି B: 6% ଫେରସ୍ତ, σ = 10%; ସମ୍ପର୍କ = −1.0

ଫଳ:ଶୂନ-ଭିନ୍ନତା ମିଶ୍ରଣ ବିଦ୍ୟମାନ: w_A = 10 / (12 + 10) = 45.5%, w_B = 54.5%; ପୋର୍ଟଫୋଲିଓ σ = 0% |

ସିଦ୍ଧ ନକାରାତ୍ମକ ସମ୍ପର୍କ ତତ୍ତ୍ୱଗତ ଭାବରେ ସଂପୂର୍ଣ୍ଣ ବିପଦ ବିଲୋପକୁ ଅନୁମତି ଦିଏ - ଏକ ତତ୍ତ୍ୱିକ ଚରମ ଅଭ୍ୟାସରେ କ୍ୱଚିତ୍ ମିଳିଥାଏ |

ସଂପୂର୍ଣ୍ଣ ନକାରାତ୍ମକ ସମ୍ପର୍କ (ρ = −1.0) ସହିତ, ଦୁଇଟି ସମ୍ପତ୍ତିକୁ ଏକ ବିପଦହୀନ ପୋର୍ଟଫୋଲିଓରେ ମିଶ୍ରଣ କରିବା ତତ୍ତ୍ୱଗତ ଭାବରେ ସମ୍ଭବ | ସମସ୍ତ ପୋର୍ଟଫୋଲିଓ ବିପଦକୁ ଦୂର କରୁଥିବା ଓଜନଗୁଡ଼ିକ ହେଉଛି: w_A = σ_B / (σ_A + σ_B) = 10 / (12 + 10) = 45.5% ଏବଂ w_B = 54.5% | ଫଳସ୍ୱରୂପ ପୋର୍ଟଫୋଲିଓରେ ଶୂନ୍ୟ ମାନକ ବିଘ୍ନ ଅଛି - କ 6.ଣସି ଅସ୍ଥିରତା ବିନା ପ୍ରାୟ 6.9% (ଏହି ଓଜନରେ ଓଜନ ବିଶିଷ୍ଟ ହାରାହାରି ରିଟର୍ଣ୍ଣ) ର ଏକ ସୁନିଶ୍ଚିତ ଫେରସ୍ତ | ଏହି ଚରମ ମାମଲା ବିବିଧକରଣର ସର୍ବାଧିକ ଶକ୍ତି ବର୍ଣ୍ଣନା କରେ ଏବଂ ନିବେଶକମାନେ ସ୍ୱଳ୍ପ କିମ୍ବା ନକାରାତ୍ମକ ସମ୍ପର୍କ ସହିତ ସମ୍ପତ୍ତି ଖୋଜନ୍ତି, ବିଶେଷତ he ହେଜ୍ ରଣନୀତି, ସୁନା, ଏବଂ ଇକ୍ୱିଟି ସହିତ ବଣ୍ଡ କାହିଁକି ଖୋଜନ୍ତି ତାହା ବ୍ୟାଖ୍ୟା କରେ |

ଉଦାହରଣ 3ଥ୍ରୀ-ଆସେଟ୍ ଅପ୍ଟିମାଇଜେସନ୍ - ଷ୍ଟକ୍, ବଣ୍ଡ୍, ସୁନା |

ଦିଆ ଯାଇଛି:ଷ୍ଟକ୍ 10% / 16σ, ବଣ୍ଡ୍ 4% / 6σ, ସୁନା 6% / 18σ; ସମ୍ପର୍କ: ଷ୍ଟକ୍-ବଣ୍ଡ 0.10, ଷ୍ଟକ୍-ସୁନା −0.05, ବଣ୍ଡ-ସୁନା 0.10 |

ଫଳ:ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ (Rf = 3%): ପାଖାପାଖି | 52% ଷ୍ଟକ୍, 36% ବଣ୍ଡ, 12% ସୁନା; ତୀକ୍ଷ୍ଣ = 0.48

ଷ୍ଟକ୍ରେ ପାଖାପାଖି ଶୂନ୍ୟ ସମ୍ପର୍କ ସହିତ ସୁନା ଯୋଡିବା ଦ୍ୱାରା ସୁନାର ଉଚ୍ଚ ଅସ୍ଥିରତା ସତ୍ତ୍ the ସୀମାକୁ ଉନ୍ନତ କରିଥାଏ |

ଏକ ତୃତୀୟ ସମ୍ପତ୍ତି ଭାବରେ ସୁନା ଯୋଡିବା ଦ୍ୱାରା କାର୍ଯ୍ୟକ୍ଷମ ସୀମା-ଉପର ଏବଂ ବାମକୁ ବିସ୍ତାର ହୁଏ, ହାସଲ ଯୋଗ୍ୟ ବିପଦ-ରିଟର୍ନ ବାଣିଜ୍ୟ ବନ୍ଦରେ ଉନ୍ନତି ହୁଏ | ସୁନାର ଉଚ୍ଚ ବ୍ୟକ୍ତିଗତ ଅସ୍ଥିରତା (18%) ସତ୍ତ୍ its େ, ଏହାର ଶୂନ୍ୟ କିମ୍ବା ଷ୍ଟକ୍ ସହିତ ସାମାନ୍ୟ ନକାରାତ୍ମକ ସମ୍ପର୍କ ଅର୍ଥପୂର୍ଣ୍ଣ ବିବିଧତା ପ୍ରଦାନ କରେ | ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ସୁନାକୁ ପ୍ରାୟ 12% ବଣ୍ଟନ କରେ, ଯାହା ସୀମାକୁ ବଦଳାଇଥାଏ ଏବଂ ସର୍ବାଧିକ ହାସଲ ଯୋଗ୍ୟ Sharpe ଅନୁପାତକୁ ବ increases ାଇଥାଏ | ଏହା ମାର୍କୋୱିଜ୍ ର ଏକ ମ fundamental ଳିକ ଅନ୍ତର୍ନିହିତ ପ୍ରଦର୍ଶନ କରେ: ବ୍ୟକ୍ତିଗତ ଭାବରେ ଉଚ୍ଚ ଅସ୍ଥିରତା ସହିତ ଏକ ସମ୍ପତ୍ତି ତଥାପି ପୋର୍ଟଫୋଲିଓ ଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ ଯଦି ବିଦ୍ୟମାନ ହୋଲ୍ଡିଂ ସହିତ ଏହାର ସମ୍ପର୍କ ଯଥେଷ୍ଟ କମ୍ ଥାଏ |

ଉଦାହରଣ 4ସୀମିତ ବନାମ ଅଣସଂରକ୍ଷିତ ସୀମା |

ଦିଆ ଯାଇଛି:ପାଞ୍ଚ-ସମ୍ପତ୍ତି ପୋର୍ଟଫୋଲିଓ, କେବଳ ଲମ୍ବା (କ short ଣସି ଅଭାବ ନାହିଁ) ବନାମ ଅଣସଂରକ୍ଷିତ (ସର୍ଟସ୍ ଅନୁମତି ଦିଅନ୍ତୁ) |

ଫଳ:ଦୀର୍ଘ-ସୀମା ସୀମାବଦ୍ଧ ସୀମାବଦ୍ଧ ସୀମା ତଳେ ରହିଥାଏ - ପ୍ରତିବନ୍ଧକ ସବୁବେଳେ ହାସଲ ଯୋଗ୍ୟ ଦକ୍ଷତାକୁ ହ୍ରାସ କରିଥାଏ |

ବାସ୍ତବ ଦୁନିଆର ପ୍ରତିବନ୍ଧକଗୁଡିକ (କ short ଣସି ଅଭାବ ନାହିଁ, ସର୍ବାଧିକ ସ୍ଥିତି ସୀମା) ସମ୍ଭାବ୍ୟ ସେଟ୍କୁ ସଙ୍କୁଚିତ କରି ସୀମାକୁ ଭିତରକୁ ଠେଲିଦିଅ |

ତତ୍ତ୍ efficient ିକ ଦକ୍ଷ ସୀମା ସୀମାହୀନ ପୋର୍ଟଫୋଲିଓ ଓଜନ ଅନୁମାନ କରେ - ପୋର୍ଟଫୋଲିଓ ଭିନ୍ନତାକୁ ହ୍ରାସ କରିବାକୁ କିମ୍ବା ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣକୁ ବ enhance ାଇବାକୁ ନିବେଶକମାନେ ସ୍ୱଳ୍ପ ପଦବୀ (ନକାରାତ୍ମକ ଓଜନ) ନେଇପାରନ୍ତି | ଅଭ୍ୟାସରେ, ଅଧିକାଂଶ ନିବେଶକ ଏକ ଦୀର୍ଘ-ପ୍ରତିବନ୍ଧକ (କ short ଣସି ସ୍ୱଳ୍ପ ବିକ୍ରୟ), ସର୍ବାଧିକ ସ୍ଥିତି ଆକାର ସୀମା (ଯଥା, କ holding ଣସି ହୋଲ୍ଡିଂ> 10%), କ୍ଷେତ୍ରର ଏକାଗ୍ରତା ସୀମା ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରତିବନ୍ଧକର ସମ୍ମୁଖୀନ ହୁଅନ୍ତି | ପ୍ରତ୍ୟେକ ପ୍ରତିବନ୍ଧକ ପୋର୍ଟଫୋଲିଓର ସମ୍ଭାବ୍ୟ ସେଟ୍କୁ ହ୍ରାସ କରେ ଏବଂ ଦକ୍ଷ ସୀମାକୁ ଡାହାଣକୁ ଠେଲିଦିଏ (ସମାନ ପ୍ରତ୍ୟାବର୍ତ୍ତନ ପାଇଁ ଅଧିକ ବିପଦ) | ସୀମିତ ଏବଂ ଅଣସଂରକ୍ଷିତ ସୀମା ତୁଳନା କରିବା ଦ୍ୱାରା ବିନିଯୋଗ ସୀମାବଦ୍ଧତାର ସୁଯୋଗ ମୂଲ୍ୟ ପରିମାଣ - ଅନୁଷ୍ଠାନିକ ପୋର୍ଟଫୋଲିଓ ଡିଜାଇନ୍ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବ୍ୟାୟାମ |

ବ୍ୟାବହାରିକ ପ୍ରୟୋଗ

▾

🏗️

ରଣନୀତିକ ସମ୍ପତ୍ତି ଆବଣ୍ଟନ: ପେନ୍ସନ୍ ପାଣ୍ଠି, ଏଣ୍ଡୋମେଣ୍ଟ ଏବଂ ସାର୍ବଭ wealth ମିକ ଧନ ପାଣ୍ଠି ପାଇଁ ଲକ୍ଷ୍ୟ ଓଜନ ନିର୍ଣ୍ଣୟ କରିବା |

🔬

ରୋବୋ-ପରାମର୍ଶଦାତା ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ: କ୍ଲାଏଣ୍ଟ ପୋର୍ଟଫୋଲିଓ ଉତ୍ପାଦନ ପାଇଁ ସ୍ୱୟଂଚାଳିତ ଦକ୍ଷ ସୀମା ଅପ୍ଟିମାଇଜେସନ୍ |

📊

ଦାୟିତ୍-ଚାଳିତ ବିନିଯୋଗ: ଦାୟିତ୍ characteristics ବ characteristics ଶିଷ୍ଟ୍ୟଗୁଡିକ ପ୍ରଦାନ କରାଯାଇଥିବା ପାଣ୍ଠି ସ୍ଥିତିକୁ ସର୍ବାଧିକ କରିବା ପାଇଁ ସମ୍ପତ୍ତି ପୋର୍ଟଫୋଲିଓକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା |

🏥

ରିସ୍କ-ଫ୍ୟାକ୍ଟର୍ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ: ଇକ୍ୱିଟି ଫ୍ୟାକ୍ଟର୍ ମଧ୍ୟରେ ଫ୍ୟାକ୍ଟର୍-ମଡେଲ୍-ଆଧାରିତ ଦକ୍ଷ ପୋର୍ଟଫୋଲିଓ ନିର୍ମାଣ |

⚙️

ଏକାଡେମିକ୍ ଏବଂ CFA ପରୀକ୍ଷା ପାଠ୍ୟକ୍ରମ: ପରିମାଣିକ ପୋର୍ଟଫୋଲିଓ ପରିଚାଳନା ଏବଂ ଆଧୁନିକ ଅର୍ଥ ସିଦ୍ଧାନ୍ତରେ ମୂଳ ବିଷୟ |

ବିଶେଷ ଘଟଣା

▾

ଅଭ୍ୟାସରେ, ଏହି ଧାର ମାମଲା ଯତ୍ନର ସହ ବିଚାର କରିବା ଆବଶ୍ୟକ କରେ କାରଣ ମାନକ ଧାରଣା ଧାରଣ କରିନପାରେ | ଦକ୍ଷ ସୀମା ସାଧନ ଗଣନାରେ ଏହି ଦୃଶ୍ୟର ସାମ୍ନା କରିବାବେଳେ, ଅଭ୍ୟାସକାରୀମାନେ ସୀମା ସ୍ଥିତିକୁ ଯାଞ୍ଚ କରିବା, ବିଭାଜନ-ଶୂନ୍ୟ ବିପଦ ଯାଞ୍ଚ କରିବା ଉଚିତ ଏବଂ ଏହି ଚରମ ଅବସ୍ଥାରେ ମଡେଲର ଧାରଣା ବ valid ଧ ରହିବ କି ନାହିଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |

ଫଳପ୍ରଦ ସୀମାନ୍ତ ବିଶ୍ଳେଷଣ ପାଇଁ Histor ତିହାସିକ ସମ୍ପତ୍ତି ଶ୍ରେଣୀ ବିପଦ-ଫେରସ୍ତ ଇନପୁଟ୍ (ଯୁକ୍ତରାଷ୍ଟ୍ର, ଲଙ୍ଗ-ରନ୍ ହାରାହାରି)

▾

ସମ୍ପତ୍ତି ଶ୍ରେଣୀ	ହାରାହାରି ବାର୍ଷିକ ଫେରସ୍ତ	ବାର୍ଷିକ Std Dev	ସମ୍ପର୍କ ବନାମ US ଇକ୍ୱିଟି \|
ଯୁକ୍ତରାଷ୍ଟ୍ରର ବଡ଼-କ୍ୟାପ୍ ଇକ୍ୱିଟି \|	10.0%	15.5%	1.00
ଯୁକ୍ତରାଷ୍ଟ୍ରର ଛୋଟ କ୍ୟାପ୍ ଇକ୍ୱିଟି \|	12.0%	20.0%	0.80
ଆନ୍ତର୍ଜାତୀୟ ଦେବ ଇକ୍ୱିଟି \|	8.5%	16.5%	0.75
ଉଦୀୟମାନ ବଜାର ଇକ୍ୱିଟି \|	10.0%	22.0%	0.65
ଯୁକ୍ତରାଷ୍ଟ୍ରର ନିବେଶ-ଗ୍ରେଡ୍ ବଣ୍ଡ୍ \|	4.5%	6.5%	−0.05
ଯୁକ୍ତରାଷ୍ଟ୍ରର ଟ୍ରେଜେରୀ ବିଲ୍ \|	3.5%	1.5%	−0.02
ସୁନା \|	6.5%	18.0%	−0.05
U.S. REITs	9.0%	17.0%	0.60
ଦ୍ରବ୍ୟ (ବିସ୍ତୃତ)	5.5%	16.0%	0.15
ଉଚ୍ଚ-ବନ୍ଧନ ବନ୍ଧନ \|	6.5%	10.0%	0.55

ବାରମ୍ବାର ଜିଜ୍ଞାସା

▾

ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ କ’ଣ?

ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ (MVP) ହେଉଛି ଦକ୍ଷ ସୀମାରେ ବାମପନ୍ଥୀ ବିନ୍ଦୁ - ପୋର୍ଟଫୋଲିଓ ମିଶ୍ରଣ ଯାହା ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣକୁ ଖାତିର ନକରି ସର୍ବନିମ୍ନ ସମ୍ଭାବ୍ୟ ମାନକ ବିଚ୍ୟୁତି ହାସଲ କରେ | କ return ଣସି ରିଟର୍ନ ପ୍ରତିବନ୍ଧକ ବିନା ପୋର୍ଟଫୋଲିଓ ଭେରିଏନ୍ସକୁ କମ୍ କରି ଏହା ମିଳିଥାଏ | ଅତ୍ୟଧିକ ବିପଦକୁ ଘୃଣା କରୁଥିବା ନିବେଶକମାନଙ୍କ ପାଇଁ MVP ପ୍ରାସଙ୍ଗିକ, ଯେଉଁମାନେ ଅନ୍ୟ ସମସ୍ତଙ୍କ ଅପେକ୍ଷା ପୁଞ୍ଜି ସଂରକ୍ଷଣକୁ ପ୍ରାଧାନ୍ୟ ଦିଅନ୍ତି | MVP ର ବାମ ପାର୍ଶ୍ୱରେ ଥିବା ସମସ୍ତ ପୋର୍ଟଫୋଲିଓ ଗାଣିତିକ ଭାବରେ ଉପଲବ୍ଧ ନୁହେଁ, ଏବଂ MVP ତଳେ ଥିବା ସମସ୍ତ ପୋର୍ଟଫୋଲିଓ (ପାରାବୋଲିକ୍ ବକ୍ରର ନିମ୍ନ ଭାଗରେ) ଅପାରଗ କାରଣ ଉପର ସୀମାରେ ସମାନ ବିପଦପୂର୍ଣ୍ଣ ପୋର୍ଟଫୋଲିଓ ଅଧିକ ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ପ୍ରଦାନ କରେ | MVP ଓଜନ ସାଧାରଣତ the କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସର ଓଲଟା ବ୍ୟବହାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଏ |

କ୍ୟାପିଟାଲ ମାର୍କେଟ ଲାଇନ କ’ଣ ଏବଂ ଏହା ଦକ୍ଷ ସୀମା ସହିତ କିପରି ଜଡିତ?

କ୍ୟାପିଟାଲ୍ ମାର୍କେଟ୍ ଲାଇନ୍ (CML) ହେଉଛି ବିପଦମୁକ୍ତ ହାର (y-axis ଉପରେ) ରେଖା ଯାହାକି କାର୍ଯ୍ୟକ୍ଷମ ସୀମା ପର୍ଯ୍ୟନ୍ତ ଟାଙ୍ଗେଣ୍ଟ୍ | ଏହା ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି (ଯଥା, ଟି-ବିଲ୍) ଏବଂ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓର ସମସ୍ତ ସମ୍ଭାବ୍ୟ ମିଶ୍ରଣକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ | ବିପଦମୁକ୍ତ ହାର ଉପରେ ଥିବା CML ଉପରେ ଥିବା ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ସମାନ ବିପଦ ସ୍ତରରେ ଦକ୍ଷ ସୀମାରେ ଥିବା ସମସ୍ତ ପଏଣ୍ଟ ଉପରେ ପ୍ରାଧାନ୍ୟ ଦେଇଥାଏ, କାରଣ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ନିବେଶକମାନଙ୍କୁ ଅଧିକ ଟି-ବିଲ୍ ଧରି ଶୂନକୁ ହ୍ରାସ କରିବାକୁ କିମ୍ବା ପୋର୍ଟଫୋଲିଓକୁ ବିପଦମୁକ୍ତ ହାରରେ owing ଣ କରି ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ବାହାରେ ରିଟର୍ଣ୍ଣ ବୃଦ୍ଧି କରିବାରେ ସକ୍ଷମ କରିଥାଏ | CAPM ଅନୁମାନ ଅନୁଯାୟୀ, ସମସ୍ତ ନିବେଶକ ସେମାନଙ୍କ ବିପଦପୂର୍ଣ୍ଣ ଆବଣ୍ଟନ ପାଇଁ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ଧାରଣ କରିବା ଉଚିତ୍, ବିପଦ ସହନଶୀଳତାକୁ ଖାତିର ନକରି - ସେମାନେ ବିପଦମୁକ୍ତ ସମ୍ପତ୍ତି ସହିତ ମିଶ୍ରଣକୁ ଭିନ୍ନ କରି ବିପଦକୁ ନିୟନ୍ତ୍ରଣ କରନ୍ତି |

ଅର୍ଥ-ଭିନ୍ନତା ଅପ୍ଟିମାଇଜେସନ୍ ର ମୁଖ୍ୟ ସୀମା କ’ଣ?

ମ୍ୟାନ୍-ଭେରିଏନ୍ସ ଅପ୍ଟିମାଇଜେସନ୍ (MVO) ର ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୀମା ଅଛି | ପ୍ରଥମେ, ଏହା ଇନପୁଟ୍ ଅନୁମାନ ପାଇଁ ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ - ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣରେ ଛୋଟ ପରିବର୍ତ୍ତନଗୁଡ଼ିକ ଉତ୍କୃଷ୍ଟ ଓଜନରେ ବଡ଼ ପରିବର୍ତ୍ତନ ସୃଷ୍ଟି କରେ ('ଅଳିଆ ଆବର୍ଜନା, ଅଳିଆ ଆବର୍ଜନା' ସମସ୍ୟା) | ଦ୍ୱିତୀୟତ it, ଏହା କୋଭାରିଆନ୍ସ ଆକଳନ କରିବାକୁ historical ତିହାସିକ ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରେ, ଯାହା ଭବିଷ୍ୟତର ସମ୍ପର୍କକୁ ପ୍ରତିଫଳିତ କରିନପାରେ | ତୃତୀୟତ return, ରିଟର୍ନ ବଣ୍ଟନଗୁଡ଼ିକ ପ୍ରାୟତ-ଅଣ-ସାଧାରଣ (ଫ୍ୟାଟ୍ ଲାଞ୍ଜ, ସ୍କେୱେନ୍ସ), ଏକମାତ୍ର ବିପଦ ମାପ ଭାବରେ ଭିନ୍ନତାକୁ ବ୍ୟବହାର କରିବାର ତତ୍ତ୍ୱଗତ ଆଧାରକୁ ଉଲ୍ଲଂଘନ କରନ୍ତି | ଚତୁର୍ଥ, ଅଣସଂରକ୍ଷିତ ଅପ୍ଟିମାଇଜେସନ୍ ଚରମ, ଏକାଗ୍ର ପୋର୍ଟଫୋଲିଓ ଉତ୍ପାଦନ କରିବାକୁ ଲାଗେ ଯାହା ଅପରିହାର୍ଯ୍ୟ | ପଞ୍ଚମ, କାରବାର ଖର୍ଚ୍ଚ ଏବଂ ଟିକସକୁ ଅଣଦେଖା କରାଯାଏ | ଅଭ୍ୟାସକାରୀମାନେ ସଙ୍କୋଚନ ଆକଳନ, ବ୍ଲାକ୍-ଲିଟରମ୍ୟାନ୍ ଦୃଶ୍ୟ, ଦୃ ust ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ପ୍ରତିବନ୍ଧକ ଭିତ୍ତିକ ଆଭିମୁଖ୍ୟ ମାଧ୍ୟମରେ ଏହି ସୀମାବଦ୍ଧତାକୁ ସମାଧାନ କରନ୍ତି |

ବ୍ଲାକ୍-ଲିଟରମ୍ୟାନ୍ ମଡେଲ୍ କ’ଣ ଏବଂ ଏହା କାହିଁକି ବିକଶିତ ହେଲା?

1990 ରେ ଗୋଲ୍ଡମ୍ୟାନ୍ ସାକ୍ସରେ ଫିସର ବ୍ଲାକ୍ ଏବଂ ରୋବର୍ଟ ଲିଟରମ୍ୟାନ୍ଙ୍କ ଦ୍ developed ାରା ବିକଶିତ ହୋଇଥିବା ବ୍ଲାକ୍-ଲିଟରମ୍ୟାନ୍ ମଡେଲ୍, କ୍ଲାସିକ୍ ମାର୍କୋୱିଜ୍ ଅପ୍ଟିମାଇଜେସନ୍ ର ଅତ୍ୟଧିକ ସୀମିତତାକୁ ସମାଧାନ କରିଥାଏ - ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ଆକଳନ ଉପରେ ଅତ୍ୟଧିକ ସମ୍ବେଦନଶୀଳତା | ବ୍ଲାକ୍-ଲିଟରମ୍ୟାନ୍ ସନ୍ତୁଳିତ ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ସହିତ ଆରମ୍ଭ ହୁଏ ଯାହା ବର୍ତ୍ତମାନର ବଜାର ପୋର୍ଟଫୋଲିଓ (CAPM ବ୍ୟବହାର କରି) ଏକ ନିରପେକ୍ଷ ପ୍ରାରମ୍ଭ ପଏଣ୍ଟ ଭାବରେ ସୂଚିତ କରେ, ତା’ପରେ ନିବେଶକମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ସମ୍ପତ୍ତି କିମ୍ବା ସମ୍ପର୍କ ଉପରେ ନିଜର 'ମତ' ପ୍ରକାଶ କରିବାକୁ ଅନୁମତି ଦିଏ ଏବଂ ଏହି ଦୃଶ୍ୟକୁ ଏକ ବାଇସିଆନ୍ framework ାଞ୍ଚାରେ ସନ୍ତୁଳନ ରିଟର୍ଣ୍ଣ ସହିତ ମିଶ୍ରଣ କରେ | ଫଳାଫଳ ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣଗୁଡିକ ଅଧିକ ସ୍ଥିର ଏବଂ ଭଲ-ବିବିଧ, ଅନ୍ତର୍ନିହିତ ପୋର୍ଟଫୋଲିଓ ଉତ୍ପାଦନ କରେ ଯାହା ଶୁଦ୍ଧ MVO ର ଅତ୍ୟଧିକ ଏକାଗ୍ର ଆବଣ୍ଟନକୁ ଏଡାଇଥାଏ | ଆନୁଷ୍ଠାନିକ ରଣନୀତିକ ସମ୍ପତ୍ତି ଆବଣ୍ଟନ ପାଇଁ ବ୍ଲାକ୍-ଲିଟରମ୍ୟାନ୍ ହେଉଛି ପ୍ରମୁଖ ପରିମାଣିକ framework ାଞ୍ଚା |

ସମ୍ପର୍କ କିପରି ପ୍ରଭାବଶାଳୀ ସୀମାକୁ ପ୍ରଭାବିତ କରେ?

ସମ୍ପତ୍ତିର ସମ୍ପର୍କ ହେଉଛି ଦକ୍ଷ ସୀମାର ଆକୃତି ଏବଂ ସ୍ଥିତିକୁ ଚଳାଇବାରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଇନପୁଟ୍ | ଯେତେବେଳେ ଦୁଇଟି ସମ୍ପତ୍ତି ମଧ୍ୟରେ ସମ୍ପର୍କ ଠିକ୍ +1.0 (ସଂପୂର୍ଣ୍ଣ ସକରାତ୍ମକ ସମ୍ପର୍କ), ସେଠାରେ କ vers ଣସି ବିବିଧକରଣ ଲାଭ ନାହିଁ - ଦକ୍ଷ ସୀମା ଦୁଇଟି ସମ୍ପତ୍ତିକୁ ସଂଯୋଗ କରୁଥିବା ଏକ ସିଧା ଲାଇନକୁ ଖସିଯାଏ, ଏବଂ ପୋର୍ଟଫୋଲିଓ ବିପଦ କେବଳ ବ୍ୟକ୍ତିଗତ ବିପଦର ଭାରପ୍ରାପ୍ତ ହାରାହାରି | ଯେହେତୁ ଶୂନ ଆଡକୁ ସମ୍ପର୍କ ହ୍ରାସ ହୁଏ, ସୀମା ବାମକୁ ଆହୁରି ବକ୍ର ହୋଇଯାଏ, ଯାହା ବ increasing ୁଥିବା ବିବିଧତା ଲାଭକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ | ସମ୍ପର୍କ = −1.0 (ସଂପୂର୍ଣ୍ଣ ନକାରାତ୍ମକ ସମ୍ପର୍କ) ରେ, ସୀମା ଏକ ଶୂନ-ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓରେ ଏକ କିଙ୍କ ଅଛି, ଯାହା ସର୍ବାଧିକ ସମ୍ଭାବ୍ୟ ବିବିଧତାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ | ଅଭ୍ୟାସରେ, ପ୍ରମୁଖ ସମ୍ପତ୍ତି ଶ୍ରେଣୀର ସମ୍ପର୍କ −0.3 (ଷ୍ଟକ୍ ବନାମ ସୁନା) ରୁ +0.9 (ସମାନ କ୍ଷେତ୍ର ମଧ୍ୟରେ ଷ୍ଟକ୍) ମଧ୍ୟରେ ରହିଥାଏ, ଆଂଶିକ କିନ୍ତୁ ଅର୍ଥପୂର୍ଣ୍ଣ ବିବିଧତା ପ୍ରଦାନ କରିଥାଏ |

ସମୟ ସହିତ ଦକ୍ଷ ସୀମା ସ୍ଥିର କି?

ଦକ୍ଷ ସୀମା ସମୟ ସହିତ ସ୍ଥିର ନୁହେଁ - ଏହା ଅନ୍ତର୍ନିହିତ ସମ୍ପତ୍ତି ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ, ଅସ୍ଥିରତା ଏବଂ ସମ୍ପର୍କ ପରିବର୍ତ୍ତନ ହେତୁ ଏହା ବଦଳିଯାଏ | ବଜାର ଚାପ ସମୟରେ (ଯଥା, 2008, 2020), ବିପଦ ସଂପତ୍ତି ମଧ୍ୟରେ ସମ୍ପର୍କ 1.0 ଆଡକୁ ବ ike ଼ିଥାଏ, ନାଟକୀୟ ଭାବରେ ବିବିଧକରଣ ଲାଭକୁ ସଙ୍କୋଚନ କରି ଭିତର ସୀମାକୁ ଭାଙ୍ଗି ଦେଇଥାଏ | ଚାପ ଅବଧିରେ ଅସ୍ଥିରତା ମଧ୍ୟ ବୃଦ୍ଧି ପାଇ ସୀମାକୁ ଆହୁରି ଖରାପ କରିଥାଏ | ଦୀର୍ଘ-ଚାଲୁଥିବା ରଣନ strategic ତିକ ଦକ୍ଷ ସୀମା (20-30 ବର୍ଷର ତଥ୍ୟ ବ୍ୟବହାର କରି) ସ୍ୱଳ୍ପ ଚାଲୁଥିବା କ act ଶଳ ଅପେକ୍ଷା ଅଧିକ ସ୍ଥିର, କିନ୍ତୁ ଏପରିକି ଶାସନ ପରିବର୍ତ୍ତନ ସହିତ ସେମାନେ ସାମଗ୍ରୀକ ଭାବରେ ପରିବର୍ତ୍ତନ କରନ୍ତି | ଏହି ଅସ୍ଥିରତା ହେଉଛି ଅଧିକାଂଶ ଅଭ୍ୟାସକାରୀ ଗତିଶୀଳ ଭାବରେ ଗାଡ଼ି ୱିଣ୍ଡୋ, ଏକ୍ସପୋନ୍ସନାଲ ଓଜନ, କିମ୍ବା ଫ୍ୟାକ୍ଟର ମଡେଲ ବ୍ୟବହାର କରି ସେମାନଙ୍କର କୋଭାରିଆନ୍ସ ଆକଳନକୁ ଅଦ୍ୟତନ କରନ୍ତି ଯାହା ବଜାର ସ୍ଥିତିକୁ ବଦଳାଇଥାଏ |

ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ କ’ଣ ଏବଂ ଏହା କାହିଁକି ସ୍ୱତନ୍ତ୍ର?

ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ହେଉଛି ଦକ୍ଷ ସୀମାରେ ଥିବା ପୋର୍ଟଫୋଲିଓ ଯେଉଁଥିରେ ସର୍ବାଧିକ ଶାର୍ପ ଅନୁପାତ ରହିଛି - ଏହା ସମୁଦାୟ ବିପଦର ୟୁନିଟ୍ ପ୍ରତି ଅଧିକ ରିଟର୍ନ ବୃଦ୍ଧି କରିଥାଏ | ଜ୍ୟାମିତିକ ଦୃଷ୍ଟିରୁ, ଏହା ହେଉଛି ବିନ୍ଦୁ ଯେଉଁଠାରେ ବିପଦମୁକ୍ତ ହାରରୁ ଅଙ୍କାଯାଇଥିବା ଏକ ରେଖା କେବଳ ଦକ୍ଷ ସୀମାକୁ ସ୍ପର୍ଶ କରେ | CAPM ଅଧୀନରେ, ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ବଜାର ପୋର୍ଟଫୋଲିଓ ସହିତ ସମାନ ଅଟେ (ସମସ୍ତ ବିନିଯୋଗଯୋଗ୍ୟ ସମ୍ପତ୍ତିର ମୂଲ୍ୟଯୁକ୍ତ ପୋର୍ଟଫୋଲିଓ) | ଏହା ସୂଚିତ କରେ ଯେ ପ୍ୟାସିଭ୍ ଇଣ୍ଡେକ୍ସ ବିନିଯୋଗ, ଯାହା ମାର୍କେଟ ପୋର୍ଟଫୋଲିଓର ଆନୁମାନିକ, CAPM framework ାଞ୍ଚାରେ ସର୍ବୋତ୍ତମ ଅଟେ | ଅଭ୍ୟାସରେ, historical ତିହାସିକ ତଥ୍ୟ କିମ୍ବା ବିଶ୍ଳେଷକଙ୍କ ପୂର୍ବାନୁମାନରୁ ଗଣାଯାଇଥିବା ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ତତ୍ତ୍ୱିକ ବଜାର ପୋର୍ଟଫୋଲିଓଠାରୁ ଭିନ୍ନ ଏବଂ ଏକ ବଜାର ମାନଦଣ୍ଡ ସହିତ ସକ୍ରିୟ ଟିଲ୍ଟ ପାଇଁ ଆଧାର ଭାବରେ ବ୍ୟବହୃତ ହୁଏ |

ଏଡ଼ାଇବା ଯୋଗ୍ୟ ସାଧାରଣ ଭୁଲ

▾

!ଆଶା କରାଯାଉଥିବା ରିଟର୍ନ ଇନପୁଟ ପରି କେବଳ historical ତିହାସିକ ରିଟର୍ନ ବ୍ୟବହାର କରିବା - historical ତିହାସିକ ଅର୍ଥ ହେଉଛି ଭବିଷ୍ୟତର ରିଟର୍ଣ୍ଣର ଖରାପ ପୂର୍ବାନୁମାନକାରୀ ଏବଂ ସିଧାସଳଖ MVO ରେ ଖାଇବାକୁ ଦିଆଯିବାବେଳେ ଅତ୍ୟଧିକ ଅସ୍ଥିର ପୋର୍ଟଫୋଲିଓ ଉତ୍ପାଦନ କରନ୍ତି |
!କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସରେ ଆକଳନ ତ୍ରୁଟିକୁ ଅଣଦେଖା କରିବା - ଅନେକ ସମ୍ପତ୍ତି ଏବଂ ସୀମିତ ତଥ୍ୟ ସହିତ, ନମୁନା କୋଭାରିଆନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସରେ ଯଥେଷ୍ଟ ଆକଳନ ତ୍ରୁଟି ରହିଥାଏ ଯାହା ଅପ୍ଟିମାଇଜେସନ୍ରେ ବୃଦ୍ଧି ପାଇଥାଏ |
!ଗତିଶୀଳ ଇନପୁଟ୍-ନିର୍ଭରଶୀଳ ନିର୍ମାଣ ଅପେକ୍ଷା ଦକ୍ଷ ସୀମାକୁ ଷ୍ଟାଟିକ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଭାବରେ ବ୍ୟବହାର କରିବା - ବଜାର ସ୍ଥିତି ଏବଂ ରିଟର୍ନ ଆଶା ବଦଳିବା ସହିତ ସୀମାକୁ ଅଦ୍ୟତନ କରିବାକୁ ହେବ |
!ପୁନ bal ସନ୍ତୁଳନରେ କାରବାର ଖର୍ଚ୍ଚ ପାଇଁ ହିସାବ ଦେବାରେ ବିଫଳ ହେବା - ଦକ୍ଷ ସୀମାରେ ରହିବାକୁ ବାରମ୍ବାର ପୁନ bal ସନ୍ତୁଳନ କାରବାର ଖର୍ଚ୍ଚ ଏବଂ ଟିକସ ମାଧ୍ୟମରେ ରିଟର୍ଣ୍ଣ ନଷ୍ଟ କରିପାରେ |
!ସୀମାନ୍ତରେ ଶାର୍ପ ଅନୁପାତରେ ଛୋଟ ପାର୍ଥକ୍ୟକୁ ଅଧିକ ବ୍ୟାଖ୍ୟା କରିବା - ଟାଙ୍ଗେନ୍ସି ପଏଣ୍ଟ ନିକଟରେ ଥିବା ପୋର୍ଟଫୋଲିଓଗୁଡ଼ିକର ସମାନ ବିପଦ-ନିୟନ୍ତ୍ରିତ କାର୍ଯ୍ୟଦକ୍ଷତା ଅଛି, ଏବଂ ଇନପୁଟଗୁଡ଼ିକର ଅନିଶ୍ଚିତତା ଅର୍ଥ ହେଉଛି 'ଉତ୍କୃଷ୍ଟ' ପୋର୍ଟଫୋଲିଓର ବ୍ୟାପକ ଆତ୍ମବିଶ୍ୱାସର ବ୍ୟବଧାନ ଅଛି |

💡

ବିଶେଷ ଟିପ

ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣରେ ଆକଳନ ତ୍ରୁଟି ହେତୁ, ନିର୍ଦ୍ଦିଷ୍ଟ ଟାଙ୍ଗେନ୍ସି ପୋର୍ଟଫୋଲିଓ ଓଜନ ଅପେକ୍ଷା ଦକ୍ଷ ସୀମା ଆକାର (ବିଶେଷତ the ସର୍ବନିମ୍ନ ଭାରିଏନ୍ସ ପୋର୍ଟଫୋଲିଓ ନିକଟରେ ଥିବା ବକ୍ର) ଉପରେ ଧ୍ୟାନ ଦିଅନ୍ତୁ | ରିସ୍କ-ଆଧାରିତ ଆଭିମୁଖ୍ୟ (ସମାନ ବିପଦ ଅବଦାନ, ସର୍ବାଧିକ ବିବିଧକରଣ) ଆଶା କରାଯାଉଥିବା ରିଟର୍ଣ୍ଣ ଆକଳନ ଅନିଶ୍ଚିତ ଥିବାବେଳେ ରିଟର୍ନ-ମ୍ୟାକ୍ସିମାଇଜ୍ ପନ୍ଥା ଅପେକ୍ଷା ଅଧିକ ଦୃ ust ଅଟେ |

⭐

ଆପଣ ଜାଣନ୍ତି କି?

ହ୍ୟାରି ମାର୍କୋୱିଜ୍ 1952 ମସିହାରେ ଚିକାଗୋ ୟୁନିଭରସିଟିରେ ପୋର୍ଟଫୋଲିଓ ଥିଓରୀ ଉପରେ ତାଙ୍କର ପିଏଚଡି ଥିସର୍ ଦାଖଲ କରିଥିଲେ। 1990 ରେ 38 ବର୍ଷ ପରେ ମାର୍କୋୱିଜ୍ ଅର୍ଥନୀତିରେ ନୋବେଲ ପୁରସ୍କାର ଲାଭ କରିଥିଲେ - ଫ୍ରିଡମ୍ୟାନ୍ ପ୍ରଥମେ ପ୍ରଶ୍ନ କରିଥିବା ସମାନ କାର୍ଯ୍ୟ ପାଇଁ |

Regional Guides

▾

🇺🇸 US▾

ଯେଉଁଠାରେ ପ୍ରଯୁଜ୍ୟ US ପାରମ୍ପାରିକ ୟୁନିଟ୍ ଏବଂ ମାନକ ବ୍ୟବହାର କରେ |

🇬🇧 UK▾

ମେଟ୍ରିକ୍ ୟୁନିଟ୍ କିମ୍ବା ବ୍ରିଟିଶ୍ ମାନକକୁ ରୂପାନ୍ତର ଆବଶ୍ୟକ କରିପାରନ୍ତି |

🇪🇺 EU▾

EU ପ୍ରଯୁଜ୍ୟ ଏବଂ SI ୟୁନିଟ୍ ଅନୁସରଣ କରେ ଯେଉଁଠାରେ ପ୍ରଯୁଜ୍ୟ |

ସନ୍ଦର୍ଭ

📖ଜଟିଳ ସ୍ତର:ଉନ୍ନତ

କେବଳ ସୂଚନା ଉଦ୍ଦେଶ୍ୟ ପାଇଁ। ଏହି ଟୁଲ୍ ଆର୍ଥିକ ପରାମର୍ଶ ନୁହେଁ। ବିନିଯୋଗ କିମ୍ବା ଆର୍ଥିକ ନିଷ୍ପତ୍ତି ନେବା ପୂର୍ବରୁ ଯୋଗ୍ୟ ଆର୍ଥିକ ପରାମର୍ଶଦାତାଙ୍କ ସହ ପରାମର୍ଶ କରନ୍ତୁ।

Accuracy-checked

Reviewed October 2026

Our methodology

ସାପ୍ତାହିକ ଗଣିତ ଟିପ୍ସ ପାଆନ୍ତୁ |

12,000 + ଗ୍ରାହକମାନଙ୍କ ସହିତ ଯୋଗ ଦିଅନ୍ତୁ ଯେଉଁମାନେ ପ୍ରତି ସପ୍ତାହରେ କାଲକୁଲେଟର ଟିପ୍ସ ପାଆନ୍ତି |

🔒

୧୦୦% ମାଗଣା

ପଞ୍ଜୀକରଣ ଆବଶ୍ୟକ ନାହିଁ

✓

ସଠିକ

ଯାଞ୍ଚ ହୋଇଥିବା ସୂତ୍ର

⚡

ତତ୍‌କ୍ଷଣ

ତତ୍‌କ୍ଷଣ ଫଳ

📱

ମୋବାଇଲ୍ ଅନୁକୂଳ

ସମସ୍ତ ଡିଭାଇସ୍