بهینه سازی سبد سهام به شیوه فازی و با استفاده از الگوریتم فراابتکاری جستجوی ناخودآگاه

محورهای موضوعی : دانش سرمایه‌گذاری

محمد اقبال نیا ¹ , سید مازیار دلیران ²

1 - استادیار گروه مدیریت مالی و مهندسی مالی، دانشگاه خوارزمی
2 - کارشناس ارشد مهندسی مالی، دانشگاه خوارزمی (نویسنده مسئول)

تاریخ دریافت : 1396/11/25 تاریخ پذیرش : 1397/02/17 تاریخ انتشار : 1398/10/01

کلید واژه: بهینه سازی, سبد سهام فازی, الگوریتم جستجوی ناخودآگاه, نیمه انحراف مطلق, محدودیت کاردینالیتی,

چکیده مقاله :

بهینه‌سازی سبد سهام وتخصیصثروتبیندارایی‌هایمختلفاز جملهمهمترینمسائلدر سرمایه‌گذاریبهحسابمی‌آید. در این مطالعه، مساله بهینه سازی سبد سهام، با درنظر گرفتن محدودیت‌های دنیای واقعی و با این فرض مورد بررسی قرار گرفت که بازده دارایی های ریسکی از اعداد فازی تشکیل شده است. سپس، مدل احتمالی جدید میانگین- نیمه انحراف مطلق ارائه شد که در آن محدودیت هزینه های معامله و محدودیت کاردینالیتی نیز در نظر گرفته شد. وجود چنین محدودیت هایی، مدل را به مدل برنامه‌ریزی غیرخطی عدد صحیح آمیخته تبدیل می‌کند که رویکردهای سنتی از عهده حل آن برنمی‌آیند، بدین منظور در این تحقیق از الگوریتم فراابتکاری جدید با نام الگوریتم جستجوی ناخودآگاه استفاده شده است. همچنین برای بررسی قدرت و دقت حل این الگوریتم، مطالعه‌ای موردی با اطلاعات 50 شرکت برتر بورس اوراق بهادار تهران در بازه زمانی 1391 تا 1394 صورت گرفت و نتایج آن با الگوریتم‌های حرکت تجمعی ذرات و ژنتیک مقایسه شد که نشان از برتری این الگوریتم در مساله‌ی بهینه‌سازی سبد سهام دارد.

چکیده انگلیسی:

The optimization of the stock portfolio and the allocation of wealth between the various assets are among the most important issues in investing.In this study, the problem of optimizing stock portfolios, considering the real world constraints and with the assumption that the return on risky assets of fuzzy numbers is composed. Then, a new probabilistic model of mean-semi absolute deviation was presented in which transaction cost and cardinality constraints were also considered. The existence of such constraints transforms the model into a mixed-integer non-linear programming model that traditional approaches fail to solve, for this purpose a new meta-heuristic algorithm called the Unconscious Search Algorithm is used to solve the problem. Unconscious Search algorithm is a new algorithm based on Freud's psychoanalysis theory. In order to investigate the power and accuracy of solving this algorithm, a case study was carried out with the information of 50 top Tehran Stock Exchanges for years 2012 to 2016. The results were compared with Particle Swarm Optimization and Genetic algorithms, which showed the superiority of this algorithm in the optimization problem of Stock portfolio.

منابع و مأخذ:

*       ارجمند، احسان؛ (1388) ارائه یک الگوریتم جستجوی ساخت یافته نوین بر مبنای نظریه روانکاوی، پایان‌نامه کارشناسی ارشد، دانشکده فنی مهندسی، دانشگاه تربیت مدرس.

*       اسون،پللوران؛ (1389)  واژگانفروید،ترجمهدکترکرامتموللی،تهران،نشرنی، چاپدوم.

*       الهی، مرتضی؛ یوسفی، محسن؛ زارع مهرجردی، یحیی؛ (1393) بهینه‌سازی سبد سهام با رویکرد میانگین  واریانس و با استفاده از الگوریتم فراابتکاری جست وجوی شکار، فصلنامه تحقیقات مالی، دانشکده مدیریت دانشگاه تهران، دوره16(1)،37-56.

*       جونز، چارلز پی؛ ( 1386 ) مدیریت سرمایه‌گذاری، ترجمۀ رضا تهرانی، عسگر نوربخش، تهران، نگاه دانش، چاپ سوم.

*       قاسمی، حمیدرضا؛ نجفی، امیرعباس؛ (1391) بهینه‌سازی پرتفوی سهام در شرایط مجاز بودن فروش استقراضی و برخی محدودیت‌های کاربردی بازار سرمایه، فصلنامه تحقیقات مالی، دانشکده مدیریت دانشگاه تهران، 14(2)، 117-132.

*       قدوسی، سعید؛ تهرانی، رضا؛ بشیری، مهدی؛ (1394) بهینه‌سازی سبد سهام با استفاده از روش تبرید شبیه‌سازی شده، فصلنامه تحقیقات مالی، دانشکده مدیریت دانشگاه تهران، دوره 17(1)، 141-158.

*       Ardjmand, E., & Amin-Naseri, M. R. (2012, June). Unconscious search-a new structured search algorithm for solving continuous engineering optimization problems based on the theory of psychoanalysis. In International Conference in Swarm Intelligence (pp. 233-242). Springer Berlin Heidelberg.

*       Ardjmand, E., Park, N., Weckman, G., & Amin-Naseri, M. R. (2014). The discrete Unconscious search and its application to uncapacitated facility location problem. Computers & industrial engineering, 73, 32-40.

*       Chang, T. J., Meade, N., Beasley, J. E., & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimisation. Computers & Operations Research, 27(13), 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(7), 10529-10537.

*       Chen, W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A: Statistical Mechanics and its Applications, 429, 125-139.

*       Golmakani, H. R., & Fazel, M. (2011). Constrained portfolio selection using particle swarm optimization. Expert Systems with Applications, 38(7), 8327-8335.‏

*       Gupta, P., Mehlawat, M. K., & Saxena, A. (2008). Asset portfolio optimization using fuzzy mathematical programming. Information Sciences, 178(6), 1734-1755.

*       Kennedy, J, Eberhart, R.C (1995). Particle Swarm Optimization, in: Proc. IEEE Int’l Conf. on Neural Networks, 4.

*       Ma, X., Gao, Y., & Wang, B. (2012). Portfolio optimization with cardinality constraints based on hybrid differential evolution. AASRI Procedia, 1, 311-317.

*       Markowitz.H. (1952). Portfolio selection. s.l.  Journal of Finance, Vol. 7.

*       Ruiz-Torrubiano, R., & Suárez, A. (2015). A memetic algorithm for cardinality-constrained portfolio optimization with transaction costs. Applied Soft Computing, 36, 125-142