پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,098,978 |
| تعداد دریافت فایل اصل مقاله | 97,206,553 |
بهینهسازی سبد سهام به کمک الگوریتم فراابتکاری دستههای میگو با استفاده از معیارهای مختلف از ریسک در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| مقاله 1، دوره 20، شماره 4، 1397، صفحه 409-426 اصل مقاله (581.84 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2019.244004.1006538 | ||
| نویسندگان | ||
| رضا تهرانی1؛ سیما فلاح تفتی* 2؛ سپهر آصفی3 | ||
| 1استاد، گروه مدیریت مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران، ایران | ||
| 2دانشکده دانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایراندانشگاه تهران | ||
| 3دانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| هدف: بهینهسازی سبد سهام از مهم ترین مسائل سرمایهگذاری است. نخستین بار، هری مارکوویتز، ریسک را در این مسئله به کار برد. پس از آن، این موضوع از جنبههای مختلف از جمله معیارهای گوناگون ریسک، روشهای بهینهسازی و در نظر گرفتن هزینه معاملات مورد بررسی گرفته است. در این پژوهش سعی بر این است که روش فراابتکاری دستههای میگو در بهینهسازی سبد سهام استفاده گردد و مزایای احتمالی آن بر شمرده شود. روش: در این پژوهش تلاش شده است بهکمک الگوریتم جدید دستههای میگو، مسئله بهینهسازی سبد سهام حل شده و مرز کارا محاسبه شود. همچنین ریسک با سه معیار واریانس، نیمواریانس و ریزش مورد انتظار بررسی شده است. دادههای این پژوهش، بازدههای تعدیل شده سهام 50 شرکت فعالتر بورس از تاریخ 01/07/1391 تا 31/06/1396 است. یافتهها: در ابتدا مرزهای کارای پرتفوهای بهینه بر اساس معیارهای ریسک واریانس، نیم-واریانس و ریزش مورد انتظار رسم شده است. شباهت تقریبی سه مرز کارا، نشان از ثبات الگوریتم در یافتن آن دارد. سپس نسبت‌های شارپ به دست آمده از روش دستههای میگو با روشهای رقابت استعماری و تجمعی ذرات مقایسه شده و مشاهده می‌شود که نسبت به آن ها ارجحیت دارد. نتیجهگیری: الگوریتم دستههای میگو در یافتن مرز کارا و پرتفوهای بهینه در مقایسه با سایر الگوریتمهای مرسوم عملکرد بهتری داشته و میتوان آن را جایگزین این روشها کرد و به نتایجی مطلوبتر دست یافت. | ||
| کلیدواژه‌ها | ||
| الگوریتم دستههای میگو؛ بهینهسازی سبد سهام؛ الگوریتمهای فراابتکاری؛ ریزش مورد انتظار؛ نیمواریانس | ||
| عنوان مقاله [English] | ||
| Portfolio Optimization Using Krill Herd Metaheuristic Algorithm Considering Different Measures of Risk in Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| Reza Tehrani1؛ Sima Fallah Tafti2؛ Sepehr Asefi3 | ||
| 1Prof., Department of Financial and Insurance Management, Faculty of Management, University of Tehran, Tehran, Iran | ||
| 2M.Sc. Student, Department of Financial Systems, Faculty of Management, University of Tehran, Tehran, Iran | ||
| 3M.Sc. Student, Department of Financial Systems, Faculty of Management, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Objective: Portfolio optimization is one of the most important issues in investment. Harry Markowitz was the first person who applied risk with this regard. This issue was later studied from different perspectives, using various risk measures, optimization methods, and considering transaction costs. In this research, we aim to use the Krill Herd metaheuristic algorithm in portfolio optimization, and examine its possible advantages. Methods: In the present study, we try to solve the portfolio optimization problem and to find the efficient frontier using Krill Herd’s novel algorithm. We also consider three different measures for risk: variance, semi-variance, and expected shortfall. Our data consists of adjusted returns of the top fifty stocks in Tehran Stock Exchange from 2012 to 2018. Results: Atfirst, the efficient frontiers of the optimal portfolios, using different measures for risk were plotted. The relative similarity of the three plots indicates the stability of the Krill Herd Algorithm in obtaining efficient frontiers. Then, we observed that the Sharpe Ratios of this algorithm are higher than those of Imperialist Competitive and Particles Swarm Algorithms. Conclusion: The Krill Herd Algorithm has a better performance finding efficient frontier and optimized portfolios in comparison to the other common algorithms; therefore, it can be used instead of the other algorithms to obtain better results. | ||
| کلیدواژه‌ها [English] | ||
| Krill herd algorithm, Portfolio optimization, Metaheuristic algorithms, Expected shortfall, Semi-variance | ||
| مراجع | ||
|
اسلامی بیدگلی، غلامرضا؛ طیبی ثانی، احسان (1393). بهینهسازی سبد سرمایهگذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 18، 163- 184. افشار کاظمی، محمدعلی؛ فلاح شمس، میرفیض؛ کارگر، مرضیه (1393). تدوین مدلی جدید برای بهینهسازی پرتفوی بورس با استفاده از روش مارکوویتز و اصلاح آن توسط مدل کسینوسها و حل آن توسط الگوریتم ژنتیک. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 18، 81- 104. الهی، مرتضی؛ یوسفی، محسن؛ زارع مهرجردی، یحیی (1393). بهینهسازی سبد سهام با رویکرد میانگین ـ واریانس و با استفاده از الگوریتم فراابتکاری جستوجوی شکار. فصلنامه تحقیقات مالی، 16(1)، 37- 56. تقی زاده یزدی، محمدرضا؛ فلاح‌پور، سعید؛ احمدی مقدم، محمد (1395). انتخاب پرتفوی بهینه با استفاده از برنامه‌ریزی فراآرمانی و برنامه‌ریزی آرمانی ترتیبی توسعه‌یافته. فصلنامه تحقیقات مالی، 18(4)، 591-612. خواجوی، شکرالله؛ غیوری مقدم، علی (1391). تحلیل پوششی دادهها، روشی برای انتخاب پرتفوی بهینه با توجه به میزان نقدشوندگی سهام (مورد مطالعه: شرکتهای پذیرفته شده در بورس اوراق بهادار تهران). مجله پیشرفتهای حسابداری، 4(2)، 27-52. راعی، رضا؛ محمدی، شاپور؛ علیبیگی، هدایت (1390). بهینهسازی سبد سهام با رویکرد میانگین ـ نیمواریانس و با استفاده از روش جستوجوی هارمونی. فصلنامه پژوهشهای مدیریت در ایران، 15(3)، 105-128. عباسی، ابراهیم؛ تیمورپور، بابک؛ برجسته ملکی، منوچهر (1388). کاربرد ارزش در معرض ریسک (VaR) در تشکیل سبد سهام بهینه در بورس اوراق بهادار تهران. مجله تحقیقات اقتصادی، 44(87)، 91-114. عبدالعلیزاده شهیر، سیمین؛ عشقی، کوروش (1382). کاربرد الگوریتم ژنتیک در انتخاب یک مجموعه دارایی از سهام بورس اوراق بهادار. فصلنامة پژوهشهای اقتصادی، 5(17)، 175-192. قدوسی، سعید؛ تهرانی، رضا؛ بشیری، مهدی (1394). بهینهسازی سبد سهام با استفاده از روش تبرید شبیهسازی شده. فصلنامه تحقیقات مالی، 17(1)، 141-158.
References Abbassi, E., Teymourpour B. & Barjesteh Maleki, M. (2009). The use of Value at Risk (VaR) in constructing optimal portfolio in Tehran Stock Exchange. Journal of Economic Research, 44(27), 91-114. (in Persian)
Afshar Kazemi, M. A., Fallah Shams, M. F. & Kargar, M. (2014). Providing a new model for optimization of exchange portfolio using of Markowitz method and modifying that, using of hovel cosine's model using genetic algorithm. Financial Engineering and Securities Management, 5(18), 81-104. (in Persian)
Anagnostopoulos, K. P. & Mamanis, G. (2010). Using Multiobjective Algorithms to Solve the Discrete Mean-Variance Portfolio Selection. International Journal of Economics and Finance, 2(3),152-162.
Artzner, P., Delbaen, F., Eber, J.M. & Heath, D. (1999). Coherent measures of risk. Mathematical Finance, 9(3), 203-228.
Cesarone, F., Scozzari, A. & Tardella, F. (2009). Efficient algorithms for mean-variance portfolio optimization with hard real-world constraints. Giornale dell'Istituto Italiano degli Attuari, 72, 37-56.
Chang, T. J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27(13), 1271-1302.
Crama, Y. & Schyns, M. (2003). Simulated annealing for complex portfolio selection problems. European Journal of Operational Research, 150 (3), 546-571.
Deng, G.F., Lin, W.T. & Lo, C.C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558–4566.
Elahi, M., Yousefi, M. & Zare Mehrjerdi, Y. (2014). Portfolio optimization with mean-variance approach using hunting search meta-heuristic algorithm. Financial Research Journal, 16(1), 37-56. (in Persian)
Eslami Bidgoli Gh. & Tayebi Sani, E. (2014). Portfolio optimization based on Value at Risk using ant colony optimization. Financial Engineering And Securities Management, 5(18), 163-184. (in Persian)
Gandomi, A. H. & Alavi, A. H. (2012). Krill herd: A new bio-inspired optimization algorithm. Communications in Nonlinear Science and Numerical Simulation, 17(12), 4831-4845.
Ghodousi, S., Tehrani, R., Bashiri, M. (2015). Portfolio Optimization with Simulated Annealing Algorithm. Financial Research Journal, 17(1), 141-158. (in Persian)
Khajavi, Sh. & Ghayouri Moghaddam, A. (2012). Data envelopment analysis, a method for selecting optimal portfolio based on liquidity of stocks, case study: companies in Tehran Securities Exchange. Journal of Accounting Advances, 4(2), 27-52. (in Persian)
Maringer, D. & Kellerer, H. (2003). Optimization of cardinality constrained portfolios with a Hybrid local search algorithm. OR Spectrum, 25(4), 481-495.
Moral-Escudero, R., Ruiz-Torrubiano, R. & Suarez, A. (2006). Selection of optimal investment Portfolios with cardinality constraints. In Proceedings of the 2006 IEEE Congresson Evolutionary Computation, 2382-2388. DOI: 10.1109/CEC.2006.1688603.
Raei, R., Mohammadi, Sh. & Ali Beigi, H. (2011). Mean-semivariance portfolio optimization using harmony search method. Management Researches in Iran, 15(3), 105-128. (in Persian) Taghizadeh Yazdi, M., Fallahpour, S., & Ahmadi Moghaddam, M. (2017). Portfolio selection by means of Meta-goal programming and extended lexicography goal programming approaches. Financial Research Journal, 18(4), 591-612. (in Persian)
Wolpert, D. H. & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82.
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. | ||
|
آمار تعداد مشاهده مقاله: 2,726 تعداد دریافت فایل اصل مقاله: 1,761 |
||