Amaç – Araştırmada tasarruflarını portföy oluşturarak borsada değerlendirmeyi düşünen yatırımcılar için portföyde yer alan hisse senetlerinin dağılımlarını ve dağılım parametrelerini belirleyerek kollektif risk modellemesi çerçevesinde portföylerin getiri ve risk düzeylerini istatistiksel yöntemlerle belirlemektir. Yöntem – Belirlenen amaca ulaşabilmek için BİST-30 endeksinde 2018-2021 yıllarında aktif olarak işlem gören hisse senetlerinin günlük kapanış fiyatları alınmış ve söz konusu verilerin uygunluk gösterdiği istatistiksel dağılımlar ve dağılım parametreleri hesaplanmıştır. SWARA ve MOORA yöntemleriyle düşük, orta ve yüksek riskli olmak üzere üç farklı kategoride portföy oluşturulmuş bu portföyler için Monte Carlo simülasyon yöntemi uygulanarak beklenen ortalama getiri, getiri olasılığı ve risk seviyesi tahminlenmiştir. Bulgular – Araştırmanın sonucunda farklı (düşük, orta ve yüksek) risk düzeylerinde portföy oluşturularak yapılan analizlerde portföylerin risk düzeylerinin tüm portföyler için yaklaşık %1 ve %2 oranında olduğu tespit edilmiştir. Portföylerin ortalama getirileri incelendiğinde en yüksek günlük ortalama getirinin ‰2,8 oranında olacağı ve bunun %61 olasılıkla gerçekleşeceği tahminlenmiştir. Tartışma – Portföylere ilişkin ortalama getiri ve risk düzeyinin olasılık dağılım parametreleri bilindiğinde Monte Carlo Simülasyon yöntemiyle daha kolay hesaplana bildiği ortaya konulmuş ve klasik yöntemle benzer sonuçlara ulaşılmıştır. Ayrıca simülasyon yöntemiyle portföy getirisi üzerinde etkili olana hisse senetleri belirlenmiştir. Kullanılan Monte Carlo Simülasyon yöntemi literatürle karşılaştırıldığında, kuadratik programlama (Abay 2013), Finnet Portfolio Advisor programı (Zerey ve Terzi 2015), Yapay Sinir Ağları (Yavuz 2012) yöntemleriyle benzer sonuçlara ulaşıldığı tespit edilmiştir. Diğer yöntemlere göre Monte Carlo Simülasyon yöntemiyle hisse senetlerinin ağılıkları, varlık sayısı daha hızlı değiştirilerek sonuçların hesaplanabilmesi açısında daha kolay ve etkili olduğu saptanmıştır.
Purpose – Examining the distributions and distribution parameters of the shares included in the portfolio for investors, who goals to invest their savings in exchange market by creating a portfolio, the present study goals to statistically estimate the return and risk levels of the portfolios within the scope of collective risk modeling. Design/Methodology/Approach – For this purpose, the daily opening and closing prices of shares, which have been actively traded in the BİST-30 index during the period 2018-2021, were obtained and the distribution parameters and statistical distributions that the data fit were calculated. Using the SWARA and MOORA methods, portfolios were created at three risk levels as low, moderate, and high. Implementing the Monte Carlo simulation method for these portfolios, the average expected return, return probability, and risk levels were estimated. Findings – As a result of the research, during the analyses conducted creating of risk portfolios at different (low, moderate, and high) risk levels, it was determined that the risk level of portfolios was approx. 1% and 2% for all the portfolios. Examining the average return s of the portfolios, it was estimated that the highest daily return would be 2.8‰ and its probability would be 61%. Discussion – Discussion- It has been revealed that the average return and risk level of the portfolios can be calculated more easily with the Monte Carlo Simulation method when the probability distribution parameters are known. These calculations showed similar results with the classical method. In addition, the stocks that are effective on the portfolio return were determined by the simulation method. When the Monte Carlo Simulation method used was compared with the literature, it was determined that similar results were obtained with the quadratic programming (Abay 2013), Finnet Portfolio Advisor program (Zerey and Terzi 2015), Artificial Neural Networks (Yavuz 2012) methods. Compared to other methods, the Monte Carlo Simulation method has been found to be easier and more effective in terms of calculating the results by changing the weights of stocks and the number of assets faster.
