مقایسه الگوریتم ژنتیک و علف های هرز در بهینه سازی پرتفوی و مقایسه مدل AR غیرخطی و میانگین ساده در پیش بینی بازده مورد انتظار
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
مجید فشاری
1
,
پوریا مظاهری‌فر
2
1 - استادیار دانشکده اقتصاد دانشگاه خوارزمی، تهران، ایران
2 - کارشناسی ارشد مدیریت مالی دانشگاه خوارزمی
کلید واژه: بهینه سازی پرتفوی, مدل میانگین نیم واریانس, الگوریتم ژنتیک, الگوریتم علف های هرز, مدل,
چکیده مقاله :
در این مطالعه، به بررسی و مقایسه عملکرد الگوریتم ژنتیک و علف های هرز در بدست آوردن مرزکارا مدل میانگین نیم واریانس مقید پرداخته می شود. و همچنین دو روش AR غیرخطی و میانگین ساده در بدست آوردن بازده مورد انتظار، مورد مقایسه قرار می گیرند. در این مطالعه از 23 سهم فعال تر بازار استفاده می شود که بازده آنها از تاریخ 01/04/93 تا 01/04/95 مورد استفاده قرار گرفته است. نتایج نشان می دهد که الگوریتم علف های هرز برخلاف استفاده از زمان بیشتر، توانسته عملکرد بهتری را به نمایش بگذارد و همچنین، مقایسه روش های پیش بینی بازده مورد انتظار نشان می دهد که مدل AR مرتبه دوم توانسته با خطای کمتری بازده مورد انتظار را پیش بینی نماید. در نهایت، با مقایسه مرزکارای پیش بینی شده و مرزکارای واقعی، به این نتیجه می رسیم که مدل پیش بینی مورد نظر در ریسک های کمتر پیش بینی بهتری انجام داده است که در آن ناحیه می توان با اطمینان بیشتری نسبت به تخصیص دارایی ها اقدام نمود..
In this paper, Genetic and weed algorithms are used to solve constrained mean-semi variance portfolio problem. Then AR model and simple average are compared to predict expected return of stocks. 23 active stocks from June 22, 2014 to June 21, 2016 are used as our sample. The results indicate that, weed algorithm despite its longer time consuming has better performance than Genetic algorithm. And AR (2) model has more accurate prediction than simple average in predicting expected rate of return. Finally, we compare expected and real efficient frontier, the results indicate that, in lower risk, AR model has better prediction accuracy. So in that area, we can allocate our asset with higher certainty
* اسلامی بیدگلی، غلامرضا؛ وافی ثانی، جلال. (1388). " بهینهسازی و بررسی اثر میزان تنوع بر عملکرد پرتفوی با استفاده از الگوریتم مورچگان" فصلنامه بورس اوراق بهادار تهران، 5، 57-75.
* بیهقی، هدیه؛ عزیززاده؛ آقابابایی، محمدابراهیم. (1394). " بررسی تاثیر بازده های فازی در کارآیی پرتفوی بهینه مقید در بورس اوراق بهادار تهران با استفاده از الگوریتم کلونی زنبور". پایان نامه کارشناسی ارشد.
* راعی، رضا؛ علی بیگی، هدایت. (1389). " بهینهسازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات" تحقیقات مالی، 29، 40-21.
* راعی، رضا؛ محمدی، شاپور؛ علی بیگی، هدایت. (1389). " بهینهسازی سبدسهام با رویکرد میانگین- نیمواریانس» و با استفاده از روش جستجوی هارمونی" پژوهشهای مدیریت در ایران، 3، 128-105.
* صفوی، علی اکبر؛ پورجعفریان، نرگس؛ صفوی، علی. (1393). " بهینهسازی بر پایه الگوریتمهای فرا ابتکاری". نشر: مهرگان
* Bacanin, Tuba, M., & Nebojsa. (2014). Upgraded Firefly Algorithm for Portfolio Optimization Problem. UKSim-AMSS 16th International Conference on Computer Modelling and Simulation.
* Chen, M.-Y., & Prayogo, D. (2014). Symbiotic Organisms Search: A new metaheuristic optimization. Computers and Structures.
* Markowitz, H.M. (1952). Portfolio Selection. Jornal of Finance: 77-91, 1952.
* Markowitz, H.M. (1959). Portfolio Selection: Efficient diversification of investments. John Wiley & Sons.
* Salahi, M., Daemi, M., Lotfi, S., & Jamalian, A. (2014). PSO and Harmony Search Algorithms for Cardinality Constrained Portfolio Optimization Problem. Advanced Modeling and Optimization, 559-573.
* Tsay, R. (2010). Analysis of Financial Time Series. wiley.
* Tuba, M., & Bacanin, N. (2014). Artificial bee colony algorithm hybridized with firefly metaheuristic for cardinality constrained mean-variance portfolio problem. Applied Mathematics & Information Sciences.
* Tuba, M., Brajevic, I., & Jovanovic, R. (2013). Hybrid seeker optimization algorithm for global optimization. Applied Mathematics & Information Sciences, 867-875
_||_