طراحی و تدوین الگوی پرتفوی بهینه سهام با استفاده از الگوریتم ملخ و مقایسه آن با مارکوویتز
الموضوعات :رضا بصیری 1 , سعید آقاسی 2 , مهدی اشرفیان قینانی 3
1 - دانشجوی دکتری گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.
2 - استادیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران (نویسنده مسؤول)
3 - کارشناس ارشد گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
الکلمات المفتاحية: واژه‌های کلیدی: الگوریتم ملخ, مدل مارکویتز, بهینه سازی سبد سهام, بورس اوراق بهادار تهران.,
ملخص المقالة :
هدف: انتخاب پرتفوی بهینه سهام با استفاده از الگوریتم فراابتکاری ملخ و مقایسه آن با مدل مارکویتز در بورس اوراق بهادار تهران.
روش‌شناسی پژوهش: پژوهش توصیفی - تحلیلی از نوع پس‌رویدادی و کاربردی است. جامعه آماری شامل کلیه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1394 تا 1399 و نمونه شامل 16 شرکت فعال‌تر بورس است. داده‌ها به روش اسنادکاوی جمع‌آوری و در محیط اکسل پردازش و به روش‌های الگوریتم ملخ و مدل مارکویتز تحلیل شده است.
یافته‌ها: الگوریتم ملخ نسبت به مدل مارکویتز ریسک (انحراف معیار) کمتری دارد و از سطح اطمینان بالاتری برخوردار است؛ بنابراین بر اساس معیار کمترین ریسک، الگوریتم ملخ کاراتر از مدل مارکویتز است.
اصالت / ارزش‌افزوده علمی: به‌کارگیری الگوریتم فراابتکاری ملخ در بهینه‌سازی سبد سهام و مقایسه علمی آن با مدل کلاسیک مارکویتز در بورس تهران، که می‌تواند ابزاری نوین و علمی برای سرمایه‌گذاران جهت تشکیل سبد سهام با ریسک کمتر فراهم آورد.
هدف: انتخاب پرتفوی بهینه سهام با استفاده از الگوریتم فراابتکاری ملخ و مقایسه آن با مدل مارکویتز در بورس اوراق بهادار تهران.
روش‌شناسی پژوهش: پژوهش توصیفی - تحلیلی از نوع پس‌رویدادی و کاربردی است. جامعه آماری شامل کلیه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1394 تا 1399 و نمونه شامل 16 شرکت فعال‌تر بورس است. داده‌ها به روش اسنادکاوی جمع‌آوری و در محیط اکسل پردازش و به روش‌های الگوریتم ملخ و مدل مارکویتز تحلیل شده است.
یافته‌ها: الگوریتم ملخ نسبت به مدل مارکویتز ریسک (انحراف معیار) کمتری دارد و از سطح اطمینان بالاتری برخوردار است؛ بنابراین بر اساس معیار کمترین ریسک، الگوریتم ملخ کاراتر از مدل مارکویتز است.
اصالت / ارزش‌افزوده علمی: به‌کارگیری الگوریتم فراابتکاری ملخ در بهینه‌سازی سبد سهام و مقایسه علمی آن با مدل کلاسیک مارکویتز در بورس تهران، که می‌تواند ابزاری نوین و علمی برای سرمایه‌گذاران جهت تشکیل سبد سهام با ریسک کمتر فراهم آورد.
- Babajani, J., Taghva, M., Blue, G., & Abdollahi, M. (2019). Forecasting Stock Prices In Tehran Stock Exchange Using Recurrent Neural Network Optimized by Artificial Bee Colony Algorithm. Financial Management Strategy, 7(2), 195-228. doi: 10.22051/jfm.2019.21049.1714.[In Persian].
- Bayat, Ali, Asadi, Lida. (2016). Stock portfolio optimization: usefulness of birds algorithm and Markowitz model. Financial engineering and securities management. 8(32). 63-85.[In Persian].
- Khalili-Iraqi, Maryam. (2016). Choosing the optimal share price using optimal planning. Economic research. 6 (20) 214-193. [In Persian].
- Adebiyi, A., Ayo, C., Adebiyi, M.O., Otokiti, S.,( 2012). Stock price prediction using neural network with hybridized market indicators. J. Emerg. Trends Comput. Inf. Sci. 3 (1), 1–9.
- Anagnostopoulos, K. P., & Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37(7), 1285-1297.
- Chang, P.T. & Lee, J. H. (2014). “A Fuzzy DEA & Knapsack formulation integrated model for project selection”. Computer & Operation Research, 39, 112-125.
- Charles, P. Jones, A , 2012 , Investments: Analysis and Management , Wiley
- Chen, J.-S., Lin, Y.-T., (2009). A partitioned portfolio insurance strategy by a relational genetic algorithm. Expert Syst. Appl. 36(2), 727–734
- Saremi. S. Mirjalili,A. Lewis, A (2017) Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software. 105, 30-47
- Yang, J. Xu, J. woo, D. (2012) “A novel portfolio selection model in a hybrid uncertain environment”,omega the International Journal of Management Science, vol. 37, pp. 439-449
- Zhang, C., Zhu, W., Yang, S., 2007. Banking operational risk management on DS evidence theory. In: International Conference on Wireless Communications, Networking and Mobile Computing, 2007. WiCom 2007. IEEE, pp. 640–644.
