<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>حسابداری، امور مالی و هوش محاسباتی</JournalTitle>
      <Issn>3092-7366</Issn>
      <Volume></Volume>
      <Issue>در دست انتشار</Issue>
      <PubDate PubStatus="epublish">
        <Year>1406</Year>
        <Month>08</Month>
        <Day>01</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Optimal Cryptocurrency Portfolio Management Model Based on Futures Contracts Using the Markowitz Model and Data Envelopment Analysis</ArticleTitle>
    <VernacularTitle>طراحی مدل مدیریت بهینه پورتفوی ارزهای دیجیتال مبتنی بر قراردادهای آتی با رویکرد مدل مارکوویتز و تحلیل پوششی داده‌ها</VernacularTitle>
    <FirstPage>1</FirstPage>
    <LastPage>26</LastPage>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>یحیی </FirstName>
        <LastName>گلی توانی</LastName>
        <Affiliation>دانشجوی دکتری، گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
      </Author>
      <Author>
        <FirstName>زهرا</FirstName>
        <LastName>یوسفی امین</LastName>
        <Affiliation>گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
      </Author>
      <Author>
        <FirstName>مرضیه </FirstName>
        <LastName>ابراهیمی شقاقی </LastName>
        <Affiliation>گروه حسابداری، واحد شهریار، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>1404/11/01</Year>
        <Month></Month>
        <Day></Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;The present study aimed to develop an integrated model for optimal cryptocurrency portfolio management based on futures contracts using the Markowitz portfolio optimization model and Data Envelopment Analysis (DEA) to simultaneously optimize return, risk, and investment efficiency. This applied quantitative study employed a mathematical modeling approach. The statistical sample consisted of 20 selected cryptocurrencies from the global cryptocurrency market over the 2019–2024 period. Historical price and return data were collected from reputable financial databases. In the first stage, optimal asset allocation was determined using an extended Markowitz optimization framework. Subsequently, the relative efficiency of cryptocurrencies and generated portfolios was evaluated through network DEA. Expected return, portfolio risk, and efficiency indicators were used to assess investment performance and compare alternative portfolio structures. The results revealed a positive relationship between risk and expected return in cryptocurrency markets. Portfolio diversification significantly improved the efficient frontier and enhanced risk-adjusted performance. The Markowitz optimization process allocated higher weights to assets with superior risk–return characteristics, with Bitcoin and Ethereum emerging as core portfolio components. Efficient frontier analysis demonstrated that the selected portfolio achieved a more favorable risk–return tradeoff than competing alternatives. Furthermore, DEA results indicated that the combined use of portfolio optimization and efficiency evaluation effectively identified superior cryptocurrency investment structures. The integration of spot investments and futures contracts reduced portfolio risk and improved risk-adjusted returns, confirming the effectiveness of the proposed framework. The integrated Markowitz–DEA framework provides an effective decision-support tool for cryptocurrency portfolio management by improving asset allocation efficiency, reducing investment risk, and enhancing overall portfolio performance. The proposed model offers practical implications for investors, portfolio managers, and financial decision-makers operating in highly volatile digital asset markets.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;هدف این پژوهش ارائه یک مدل یکپارچه برای مدیریت بهینه پورتفوی ارزهای دیجیتال مبتنی بر قراردادهای آتی با استفاده از مدل مارکوویتز و تحلیل پوششی داده‌ها به‌منظور بهینه‌سازی همزمان بازده، ریسک و کارایی سرمایه‌گذاری بود. این پژوهش از نظر هدف کاربردی و از حیث روش، کمی و مبتنی بر مدل‌سازی ریاضی بود. جامعه پژوهش شامل ارزهای دیجیتال فعال بازار جهانی و نمونه شامل 20 رمزارز منتخب طی دوره 2019 تا 2024 بود. داده‌های تاریخی قیمت و بازده از پایگاه‌های معتبر مالی استخراج شد. در مرحله نخست، ترکیب بهینه دارایی‌ها با استفاده از مدل توسعه‌یافته مارکوویتز تعیین شد و سپس کارایی پورتفوی‌ها و رمزارزها از طریق تحلیل پوششی داده‌های شبکه‌ای (DEA) ارزیابی گردید. شاخص‌های بازده مورد انتظار، ریسک و نسبت‌های کارایی برای مقایسه گزینه‌های سرمایه‌گذاری مورد استفاده قرار گرفتند. نتایج نشان داد که رابطه‌ای مستقیم میان ریسک و بازده در بازار ارزهای دیجیتال وجود دارد و تنوع‌بخشی مناسب موجب انتقال مرز کارا به سمت مطلوب می‌شود. مدل مارکوویتز بیشترین وزن را به رمزارزهای دارای نسبت بازده به ریسک مطلوب‌تر اختصاص داد و بیت‌کوین و اتریوم به‌عنوان اجزای اصلی پورتفوی بهینه شناسایی شدند. تحلیل مرز کارا نشان داد پورتفوی منتخب روی مرز کارا قرار داشته و عملکرد مطلوب‌تری نسبت به سایر ترکیب‌ها دارد. همچنین نتایج DEA بیانگر آن بود که ترکیب رویکرد بهینه‌سازی پورتفوی و ارزیابی کارایی قادر به شناسایی رمزارزها و پورتفوی‌های کاراتر بوده و استفاده همزمان از معاملات نقدی و قراردادهای آتی موجب کاهش ریسک و بهبود بازده تعدیل‌شده بر اساس ریسک می‌شود. مدل تلفیقی مارکوویتز و تحلیل پوششی داده‌ها چارچوبی کارآمد برای مدیریت ریسک، تخصیص بهینه دارایی‌ها و بهبود عملکرد سرمایه‌گذاری در بازار ارزهای دیجیتال فراهم می‌کند و می‌تواند به‌عنوان ابزاری کاربردی برای سرمایه‌گذاران و مدیران مالی مورد استفاده قرار گیرد.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Cryptocurrencies</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Portfolio Management</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Futures Contracts</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Data Envelopment Analysis</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Markowitz Model</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Investment Optimization</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">ارزهای دیجیتال</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">مدیریت پورتفوی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">قراردادهای آتی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تحلیل پوششی داده‌ها</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">مدل مارکوویتز</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">بهینه‌سازی سرمایه‌گذاری</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jafci.com/index.php/jafci/article/download/455/289</ArchiveCopySource>
  </Article>
</ArticleSet>
