مدلسازی و مقایسه بهینه‌یابی‌های تکاملی فازی و غیرفازی چندهدفه سبد سرمایه‌گذاری در بورس اوراق بهادار تهران
الموضوعات :محمد فلاح 1 , هادی خواجه زاده دزفولی 2 , حامد نوذری 3
1 - گروه مهندسی صنایع، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - فارغ التحصیل دکتری مدیریت مالی، دانشگاه علامه طباطبائی، تهران، ایران
3 - روه مهندسی صنایع، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: Modeling, portfolio selection, genetic algorithm with faulty sorting (NSGA-II), Fuzzy Logic, multi-objective evolutionary optimization algorithm,
ملخص المقالة :
انتخاب و تشکیل سبد سهام بهینه، یکی از مهمترین مسائل در حوزه تحقیقات مالی است که موجب می‌شود ترکیب بهینه‌ای از دارایی‌ها را انتخاب شود تا با توجه به محدودیت‌ها، بیشینه مطلوبیت برای سرمایه‌گذار ایجاد شود. با توجه به آن‌که بازده اوراق بهادار در دنیای واقعی معمولاً مبهم و نادقیق است، یکی از مهمترین چالش‌های سرمایه‌گذاری، عدم‌اطمینان نسبت به آینده و پیامدهای آن‌ها می‌باشد. بر این اساس، در این مقاله، با استفاده از گشتاورهای مراتب بالا و تئوری فرامدرن پرتفوی، و با استفاده از منطق فازی و بهینه‌یابی تکاملی چندهدفه، مسأله انتخاب و بهینه‌یابی پرتفوهای اوراق بهادار با اهداف مختلف مدلسازی، حل و مقایسه گردیده است. مدل‌های طراحی شده هم طبیعت مسأله انتخاب پرتفو را در نظر گرفته و هم ملاحظات مدنظر سهامدار را در انتخاب پرتفو دخیل نموده است. کیفیت عدم اطمینان بازده آتی پرتفوی داده شده با استفاده از اعداد LR فازی تخمین زده شده در حالیکه گشتاورهای بازدهی آن با استفاده از تئوری امکانی سنجیده شده است. مهمترین هدف این مقاله حل مسأله و مقایسه مدل‌های انتخاب پرتفوی به صورت بهینه‌سازی همزمان دو، سه و چهار هدفه است. برای این هدف، از الگوریتم ژنتیک با مرتب‌سازی نامغلوب (NSGA-II)استفاده شده و عملگرهای جهش و تقاطع به طور اختصاصی برای تولید راه‌حل‌های ممکن محدودیت کاردینالیتی مسأله طراحی شده است. در نهایت عملکرد مدل‌ها در صورت استفاده از منطق فازی و عدم استفاده از آن مقایسه شده است و مشخص گردیده است که استفاده از منطق فازی و تئوری امکانی، باعث تشکیل پرتفوهای با عملکرد بالاتر و مطلوببیت بیشتر می‌گردد.
[1] Huiling, W. et al., (2013). Multi-period Markowitz’s mean-variance portfolio selection with state-dependent exit probability, Economic Modeling, (36), 69-74.
[2] Dubois, D et al. (1988). Possibility theory: an approach to computerized processing of uncertainty vol. 2: New York: Plenum press.
[3] Vercher, E et al. (2015). Portfolio absolute optimization using a credibility mean-semi-deviation model, Expert Systems with Applications. (42)20, 7121–7131.
[4] Konstantinos, L et al. (2018). Examining the effect of different configuration issues of the multi-objective evolutionary algorithms on the efficient frontier formulation for the constrained portfolio optimization problem, Journal of the Operational Research Society, 69(3), 1-23.
[5] Coello, C.A.C. et al., (2007). Evolutionary Algorithms for Solving Multi-Objective Problems, NewYork: Springer Street.
[6] Coello, C.A.C, et al., Evolutionary Algorithms for Solving Multi-Objective Problems, 2nd ed., Springer, New York, US, 2007.
[7] Misra, S. K. et al. (2014). A comparative performance assessment of a set of multi-objective algorithms for constrained portfolio assets selection. Swarm and Evolutionary Computation 16, 38-51.
[8] Macedo, L.L et al., )2017(. Mean-semivariance portfolio optimization with multiobjective evolutionary algorithms and technical analysis rules. Expert Systems with Applications, 79, pp.33-43.
[9] Kumar, D. et al. (2017). Portfolio optimization using novel co-variance guided artificial bee colony algorithm, Swarm and evolutionary Computation, (33), 119-130.
[10] Anagnostopoulos, K.P. et al. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37(3), 1285-1297.
[11] Chandra, S. et al., )2016(. A diversified portfolio model of adaptability. American Psychologist, 71(9), p.847.
[12] Zhang, Y et al. (2018). Portfolio selection problems with Markowitz’s mean–variance framework: a review of literature. Fuzzy Optimization and Decision Making, 17(2), 125-158.
[13] Saborido, R et al. (2016). Evolutionary multi-objective optimization portfolio algorithms for fuzzy selection, Applied Soft Computing Computing, (39), 48–63
[14] Liagkouras.K, (2018). A new three-dimensional encoding multiobjective evolutionary algorithm with application to the portfolio optimization problem, Knowledge-Based Systems.
[15] Liagkouras, K et al. (2018). Multi-period mean–variance fuzzy portfolio optimization model with transaction costs, Engineering Applications of Artificial Intelligence, 67, 260-269.
Saborido, R et al. Evolutionary Muli-Objective Optimization Algorithm for fuzzy portfolio selection, Applied Soft Computing (39)
[16] Khalilpourazary S, et al,” (2018) Multi-objective optimization of multi‑item EOQ model with partial backordering and defective batches and stochastic constraints using MOWCA and MOGWO” Operational Research.
[17] Rostami, M, et al. (2015), Higher torques in stock portfolio optimization in fuzzy environment. Quarterly Journal of Financial Engineering and Securities Management, (24) 6, 41-62.
[18] Najafi, A, et al. (2015), Dynamic optimization of investment portfolio with respect to transaction costs, Quarterly Journal of Financial Engineering and Securities Management, (6) 24, 172-135.
[19] Homayfar. S, et al. (2016), Applying Sustainable Optimization Models and Ideal Planning in Selecting a Multi-Term Investment Portfolio; Quarterly Journal of Financial Engineering and Securities Management, (7) 28, 167-153.
[20] Afshar Kazemi, M.A, et al. (2012). Selection of stock portfolio in Tehran Stock Exchange by combining data analysis method and ideal planning, Quarterly Journal of Financial Analysis of Securities Analysis. (16) 13, 49-64.
[21] Khajehzadeh Dezfuli. M. (2016) Research in Advanced Operations "Special Industrial Management Field Code 2164" PhD, Modaresan Sharif Publications
[22] Adel Azar et al., (2003) Statistics and its applications in management, Samat Publications.
