کنترل ریسک پرتفوی با استفاده از الگوریتم ازدحام ذرات
الموضوعات : Financial Knowledge of Securities Analysisنسیم محمدحسنی 1 , نرگس یزدانیان 2 , جعفر جمالی 3 , مریم تیموریان 4
1 - دانشجو دکتری مهندسی مالی , گروه مدیریت مالی , دانشکده مدیریت و اقتصاد , واحد رودهن , دانشگاه آزاد اسلامی , تهران , ایران.
2 - استاد یار گروه مدیریت مالی , گروه مدیریت مالی, دانشکده مدیریت و اقتصاد , واحد رودهن , دانشگاه آزاد اسلامی , تهران , ایران. (نویسنده مسئول)
3 - استادیار گروه مدیریت مالی , دانشکده مدیریت و اقتصاد , واحد علوم و تحقیقات , دانشگاه آزاد اسلامی , تهران , ایران.
4 - استادیار گروه آمار و ریاضی , واحد رودهن , دانشگاه آزاد اسلامی , تهران , ایران
الکلمات المفتاحية: کنترل ریسک, پرتفوی, الگوریتم ازدحام ذرات, بازار اوراق بهادار,
ملخص المقالة :
در این تحقیق، از الگوریتم ازدحام ذرات بهبود یافته برای بهینه سازی کنترل ریسک در پرتفوی استفاده شده است. از دادههای سه ماهه دوم سال 1402 برای 50 شرکت فعال بورس اوراق بهادار تهران استفاده شده و مقادیر ارزش بازار، قیمت ابتدا، قیمت انتها و بازدهی در 10 تاریخ متفاوت استخراج شده و از الگوریتم ازدحام ذرات پیشرفته برای بهینه سازی کنترل ریسک پرتفوی استفاده شده که مقادیر پارامترهای شبیه سازی در جدول (4-۳) آمده است. نرخ بازده بدون ریسـک، میزان سود یا بازدهی را که سرمایه گذار از یک سرمایه گذاری با ریسک مطلقاً صفر در طول یک بازه خاص انتظار دارد، نمایش میدهد. این نرخ، کمترین مقدار بازدهی است که سرمایه گذار برای هر سرمایه گذاری انتظار دارد. سرمایه گذار ریسک اضافی را تا زمانی که ریسک بازده احتمالی بزرگتر از نرخ بهره بدون ریسـک نباشد، قبول نخواهد کرد. مقدار نرخ بازده بدون ریسک در سال 1402، 23%, معیار شارپ برای بازدهی سهم، 23 شرکت انتخاب شده برابر با 17.69 است در حالیکه برای همه شرکتها برابر با 11.56 میباشد که نشاندهنده کاهش ریسک سرمایهگذاری و افزایش سود آن در شرکتهای انتخاب شدهاست. بالا بودن میزان این معیار نمایانگر بازده به دست آمده، با تقبل ریسک کمتر است. معیار ترینر برای بازدهی سهم، 23 شرکت انتخاب شده 0.15 و برای 50 شرکت فعال 0.12 است. هرچه مقدار ترینر بیشتر باشد، پرتفوی بهتری ایجاد میشود. معیار جنسن بازدهی سهم،23 شرکت انتخابی و 50 شرکت فعال یکسان بوده و 0.22 می باشد.
راعی، رضا، تلنگی احمد (1385) مباني مهندسي مالي و مديريت ريسك " ، تهران ، سازمان سمت ، چاپ دوم
راموز، نجمه، اکبری آق مشهدی، زهرا، عاطفت دوست، علیرضا، (1399)، انتخاب پرتفوی بهینه با استفاده از مدل برنامه ریزی توافقی در بورس اوراق بهادار تهران، راهبرد مدیریت مالی، 21-37
شیوعی، کامیار، شیوعی، پویا، (1395)، مدل سازی پیش بینی شاخص بازار بورس تهران با استفاده از الگوریتم ازدحام ذرات، دومین کنفرانس بین المللی حسابداری، اقتصاد و مدیریت مالی
صیادی، مهدی، بیگ زاده عباسی، فرزانه، درخشان داوری، مژگان، (1394)، مطالعه تطبیقی برای انتخاب پرتفولیوی بهینه با اهداف غیرخطی با استفاده از الگوریتم های ژنتیک و ازدحام ذرات در بورس اوراق بهادار تهران. اولین کنفرانس بین المللی مدیریت، اقتصاد، حسابداری و علوم تربیتی
Bertsimas, D. , Shioda, R. , 2009. Algorithm for cardinality-constrained quadratic op- timization. Comput. Optim. Appl. 43 (1), 1–22
Crama, Y. , Schyns, M. , 2003. Simulated annealing for complex portfolio selection problems. Eur. J. Oper. Res. 150 (3), 546–571
Cura, T. , 2009. Particle swarm optimization approach to portfolio optimization. Non- linear Anal. Real World Appl. 10 (4), 2396–2406
Dai, Z., & Wang, F. (2019). Sparse and robust mean–variance portfolio optimization problems. Physica A: Statistical Mechanics and its Applications, 523, 1371-1378
Ding, J., Wang, J. C., Guo, L., Xu, Q. Y., Yang, S. J., & Ye, S. L. (2018). Optimization of temperature tracking control in adiabatic accelerating rate Calorimeter based on the dynamic characteristics compensation. Chin. J. Sensors Actuators, 31(12), 1805-1810
Feng, Y. , Palomar, D.P. , 2015. SCRIP: successive convex optimization methods for risk parity portfolio design. IEEE Trans# Signal Process. 63 (19), 5285–5300 . Feng, Y. , Palomar, D.P. , 2016. Portfolio optimization with asset selection and risk par- ity control. In: Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, pp. 6585–6589
Gu, Q., & Hao, X. (2018). Adaptive iterative learning control based on particle swarm optimization. The Journal of Supercomputing, 76(5), 3615-3622
Kolm, P.N. , Tütüncü, R. , Fabozzi, F.J. , 2014. 60 years of portfolio optimization: prac- tical challenges and current trends. Eur. J. Oper. Research 234 (2), 356–371
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91
Markowitz, H. M. (1991). Foundations of portfolio theory. The Journal of Finance, 46(2), 469-477
Tang, Q., Li, Y., Deng, Z., Chen, D., Guo, R., & Huang, H. (2019). Optimal shape design of an autonomous underwater vehicle based on multi-objective particle swarm optimization. Natural Computing, 19(4), 733-742
Tian, Y. Zhang, T. Xiao, J. Zhang, X. Jin, Y. A coevolutionary framework for constrained multi-objective optimization problems, IEEE Trans. Evol. Comput., DOI: 10.1109/TEVC.2020.3004012
Van Staden, P. M., Dang, D. M., & Forsyth, P. A. (2020). The surprising robustness of dynamic Mean-Variance portfolio optimization to model misspecification errors. European Journal of Operational Research
Wang, Y. L., Kim, K. T., Lee, B., & Youn, H. Y. (2018). A novel buffer management scheme based on particle swarm optimization for SSD. The Journal of Supercomputing, 74(1), 141-159
Xu, L., Yang, W., & Tian, H. (2019). Correction to: Design of Wideband CIC Compensator Based on Particle Swarm Optimization. Circuits, Systems, and Signal Processing, 38(6), 2890-2891
Xu, L., Yang, W., & Tian, H. (2019). Correction to: Design of Wideband CIC Compensator Based on Particle Swarm Optimization. Circuits, Systems, and Signal Processing, 38(6), 2890-2891
