پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,997,979 |
| تعداد دریافت فایل اصل مقاله | 89,672,308 |
بهینه سازی سبد سهام با استفاده از روش تبرید شبیه سازی شده | ||
| تحقیقات مالی | ||
| مقاله 9، دوره 17، شماره 1، فروردین 1394، صفحه 141-158 اصل مقاله (690.59 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2015.52036 | ||
| نویسندگان | ||
| سعید قدوسی* 1؛ رضا تهرانی2؛ مهدی بشیری3 | ||
| 1کارشناسارشد مدیریت مالی، دانشگاه تهران، تهران، ایران | ||
| 2دانشیار مدیریت مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران | ||
| 3دانشیار مهندسی صنایع، دانشکدۀ فنی دانشگاه شاهد، تهران، ایران | ||
| چکیده | ||
| مسئلۀ بهینهسازی مارکویتز و تعیین مرز کارای سرمایهگذاری، هنگامیکه وضعیت و محدودیتهای دنیای واقعی در نظر گرفته شود، به سادگی با استفاده از شیوههای دقیق ریاضی، مانند برنامهریزی درجۀ دوم، حل نمیشود. از سوی دیگر، اغلب مدیران ترجیح میدهند به جای مدیریت سبد بسیار بزرگ، سبد کوچکی از داراییها را اداره کنند. این مسئله را میتوان به محدودیتهای کاردینال، یعنی محدودیتهای حداقل و حداکثر تعداد داراییهای سبد تشبیه کرد. پژوهش پیش رو با بهرهمندی از الگوریتم فراابتکاری تبرید شبیهسازیشده، به حل مسئلۀ بهینهسازی سبد با محدودیتهای کاردینال پرداخته است. بدین منظور با استفاده از اطلاعات سهام پنجاه شرکت فعالتر در بورس اوراق بهادار تهران در فاصلۀ زمانی اول فروردین 1389 تا پایان فروردین 1391، مرز کارای سبدهای مختلف 10 تا 50 سهمی ترسیم شده است. نتایج پژوهش موفقیت الگوریتم تبرید شبیهسازیشده را در حل مسئلۀ فوق نشان میدهد. همچنین با انتخاب درست سهام و تعیین وزنهای مناسب از آن، میتوان سبدهای کوچکتری که عملکرد مناسبتری دارند، انتخاب کرد. | ||
| کلیدواژه‌ها | ||
| بهینه سازی سبد؛ تبرید شبیه سازیشده؛ محدودیت های کاردینال؛ مدل میانگین ـ واریانس؛ مرز کارا | ||
| عنوان مقاله [English] | ||
| Portfolio optimization with simulated annealing algorithm | ||
| نویسندگان [English] | ||
| Saeid Qodsi1؛ Reza Tehrani2؛ Mahdi Bashiri3 | ||
| 1Master of Financial Management, University of Tehran, Iran | ||
| 2Associate Prof., Financial Management, University of Tehran, Iran | ||
| 3Associate Prof., Industrial Engineering, University of Shahed, Iran | ||
| چکیده [English] | ||
| The Markowitz issue of optimization can’t be solved by precise mathematical methods such as second order schematization, when real world condition and limitations are considered. On the other hand, most managers prefer to manage a small Portfolio of available assets in place of a huge Portfolio. It can be analogized to cardinal constrains, that is, constrains related to minimum and maximum current assets on Portfolios. This study aims to solve the problem of optimizing Portfolios with cardinality constrains, using simulated annealing algorithm. Therefore, by using the information of 50 companies which have been more active in Tehran’s exchange stock from April 2010 to April 2012, Portfolios’ efficient frontier has been supposed from 10 to 50. Results shows that first, simulated annealing algorithm has been successful in solving the above problem, and second, by selecting shares appropriately and determining suitable weights from it, smaller Portfolios with more suitable performances can be selected. | ||
| کلیدواژه‌ها [English] | ||
| cardinality constrains, efficient frontier, Mean-variance model, optimization portfolios, Simulated Annealing | ||
| مراجع | ||
|
Abdul Ali Zadeh Shahir, S. & Eshghi, K. (2003). Application of genetic algorithms to select assets in the stock exchange. Journal of Economic Research, (17): 175-192. (in Persian)
Anagnostopoulos, K.P., Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37 (7): 1285-1297.
Bashiri M. & Karimi, H. (2010). Application of heuristic and meta-heuristic algorithm for designing industrial systems. Tehran: Shahed University. (in Persian) Bertsimas, D., Shioda, R. (2009). Algorithm for cardinality-constrained quadratic optimization. Computational Optimization and Applications (43): 1–22.
Cerny, V. (1985). A thermodynamically approach to the traveling salesman problem: An efficient simulation algorithm. Journal of Optimization Theory and Application, (45): 41-45.
Chang, T.J., Meade, N., Beasley, J.E., Sharaiha, Y.M., (2000). Heuristics for cardinality constrained portfolio optimisation. Computers & Operations Research, (27): 1271–1302.
Chang, T.J., Yang, S.C., Chang, K.J. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with Applications, (36): 10529–10537.
Crama, Y., Schyns, M. (2003). Simulated annealing for complex portfolio selection problems. European Journal of Operational Research, (150): 546-571.
Deng, G.F., Lin, W.T. & Lo, Ch.Ch. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39 (4): 4558-4566.
Elahi, M., Yousefi, Zare Mehrjerdi, Y. (2014). Portfolio optimization with mean-variance approach using hunting search meta-heuristic algorithm. Financial Research, 16 (1): 37-56. (in Persian)
Eslami Bidgoli, GH., Vafi Sani, J., Bajelan, M. (2009). Portfolio Optimization and Examination of the Effect of Diversification on Its Performance through Using Ant Colony Algorithm. Quarterly Journal of Securities Exchange, 2 (5): 57-75. (in Persian)
Fernandez, A., Gomez, S. (2007). Portfolio selection using neural networks. Computers & Operations Research, (34): 1177–1191.
Gulpinar, N., An, L.T.H., Moeini, M. (2010). Robust investment strategies with discrete asset choice constraints using DC programming. Optimization, (59): 45-62.
Kirkpatrick, S., Gelatt, C. D. & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, (220): 671-680.
Maringer, D. (2005). Portfolio Management with Heuristic Optimization .Germany: Graw-Hill. Published by Springer.
Markowitz, H. (1952). Portfolio selection. Journal of Finance, (7): 77-91.
Markowitz, H.M. (1956). The optimization of a quadratic function subject to linear constraints. Naval Research Logistics Quarterly, (3): 111–133.
Modares, SA. & Estakhri Nazanin, M. (2007). Selecting a portfolio from listed companies in Tehran Stock Exchange by using Optimized Genetic Algorithm. Journal of Development and Investment, 1(1): 71-92. (in Persian)
Moral-Escudero, R., Ruiz-Torrubiano, R., Suarez, A. (2006). Selection of optimal investment portfolios with cardinality constraints. In: Proceedings of the 2006 IEEE Congress on Evolutionary Computation, 2382–2388. DOI: 10.1109/CEC.2006.1688603.
Raei, R. & Alibeiki, H. (2010). Portfolio optimization using particle swarm optimization method. Financial Research, 12 (29): 21-40. (in Persian)
Raei, R., Mohammadi, S., Alibeiki, H. (2011). Mean-Semivariance Portfolio Optimization Using Harmony Search Method. Management Research in Iran, 15 (3): 105-128. (in Persian)
Shaw, D.X., Liu, S. & Kopman, L. (2008). Lagrangian relaxation procedure for cardinality-constrained portfolio optimization. Optimization Methods & Software, (23): 411-420.
Soleimani, H., Golmakani, H.R., Salimi, M.H. (2009). Markowitz-based portfolio selection with minimum transaction lots, cardinality constraints and regarding sector capitalization using genetic algorithm. Expert Systems with Applications, (36): 5058-5063.
Taqavifard, M., Mansouri, T. & Khosh-Tinat, M. (2007). A Meta-heuristic Algorithm for Portfolio Selection Problem under Cardinality and Bounding Constraints. The Economic Research, 7 (4): 49-69. (in Persian)
Vielma, J.P., Ahmed, S., Nemhauser, G.L. (2008). A lifted linear programming branchand-bound algorithm for mixed-integer conic quadratic programs. INFORMS Journal on Computing, (20): 438-450.
Woodside-Oriakhi, M., Lucas, C. & Beasley, J.E. (2011). Heuristic algorithms for the cardinality constrained efficient frontier. European Journal of Operational Research, 213 (3): 538-550.
Zhu, H., Wang, Y., Wang, K., Chen, Y. (2011). Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem. Expert Systems with Applications 38 (8): 10161–10169. | ||
|
آمار تعداد مشاهده مقاله: 4,197 تعداد دریافت فایل اصل مقاله: 3,259 |
||