انتخاب سبد سهام با بکارگیری الگوریتم کلونی مصنوعی زنبور و مقایسه‌ی آن با الگوریتم های ژنتیک و مورچگان

الموضوعات : دانش مالی تحلیل اوراق بهادار

محمود رحمانی ¹ (دانش آموخته مقطع دکترای رشته مدیریت مالی، گروه مدیریت، دانشکده مدیریت و اقتصاد، ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
مریم خلیلی عراقی ² (استادیار رشته مدیریت مالی، گروه مدیریت، دانشکده مدیریت و اقتصاد،، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
هاشم نیکومرام ³ (استاد رشته مدیریت مالی، گروه مدیریت، دانشکده مدیریت و اقتصاد ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)

تاريخ الإرسال : 08 الخميس , شعبان, 1438 تاريخ التأكيد : 16 الأربعاء , ربيع الأول, 1441 تاريخ الإصدار : 25 الجمعة , رجب, 1441

الکلمات المفتاحية: سبد سهام, الگوریتم کلونی‌مصنوعی زنبور, الگوریتم ژنتیک, الگوریتم کلونی مورچگان,

ملخص المقالة :

تصمیم گیری در زمینه سرمایه گذاری یکی از مسائل اساسی در مدیریت مالی است . وقتی که سرمایه گذار با گزینه های مختلفی جهت سرمایه گذاری روبرو می گردد بایستی در مورد تعداد دارایی های انتخابی و میزان سرمایه گذاری بر روی هر کدام از آن ها تصمیم گیری نماید. انتخاب ابزار و تکنیک های که بتواند سبدسهام مناسب را تشکیل دهد یکی از اهداف اصلی دنیای سرمایه گذاری است در این مطالعه جهت کمک به تصمیم گیری مطلوب در انتخاب سهام موجود در سبد براساس مدل مارکویتز از الگوریتم کلونی مصنوعی زنبوراستفاده شده است و برای تعیین کارایی این الگوریتم معیار شارپ، معیار ترینر و ریسک نامطلوب آن محاسبه و با سبد تشکیل شده از الگوریتم های ژنتیک و کلونی مورچگان مقایسه گردیده است. نمونه آماری پژوهش شامل شرکت های فعال پذیرفته شده، در بورس اوراق بهادار تهران از سال 1384 تا 1394 است که به روش حذف سیستماتیک انتخاب گردیده اند. نتایج پژوهش نشان می دهد معیار شارپ سبدسهام تشکیل شده از طریق الگوریتم کلونی مصنوعی زنبور نسبت به الگوریتم های ژنتیک و مورچگان عملکرد بهتری دارد، اما هرچند معیار ترینر و ریسک نامطلوب سبد سهام تشکیل شده از طریق الگوریتم کلونی مصنوعی زنبور عملکرد بهتری داشته، ولی از لحاظ آماری این اختلاف معنادار نبوده است.

المصادر:

*      ابزری محمد، کتابی ، سعیده و عباسی ، عباس (1384) بهینه سازی سرمایه گذاری با استفاده از روش برنامه ریزی خطی و ارائه یک مدل کاربردی ، مجله علوم اجتماعی و انسانی دانشگاه شیراز ، دوره بیست و دوم ، شماره 2.

*      اسلامی بیدگلی، غلامرضا و طیبی­ثانی، احسان(1393). بهینه سازی سبدسرمایه­گذاری براساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان، فصلنامه علمی­پژوهشی دانش سرمایه گذاری، دوره3، شماره 1، صفحات 122-110.

*      تقوی فرد، محمد تقی، منصوری، طاها و خوش طینت، محسن(1386) ، ارائه یک الگوریتم فرا ابتکاری جهت انتخاب سبد سهام با درنظرگرفتن محدودیت های عدد صحیح، فصلنامه پژوهش های اقتصادی، سال هفتم، شماره چهارم، ص69-49.

*      راعی ، رضا (1378) ، طراحی مدل سرمایه گذاری مناسب در سبد سهام با استفاده از هوش مصنوعی (شبکه های عصبی)، به راهنمایی کارولوکس (پایان نامه دکتری) دانشگاه تهران.

*      سینایی، حسنعلی و زمانی ، سعید (1393) ، تصمیم گیری برای انتخاب سبدسهام ؛ مقایسه الگوریتم های ژنتیک و زنبورعسل، پژوهشنامه مدیریت اجرایی ، سال ششم ، شماره یازدهم ، صص12-83 .

*      فلاح شمس، میرحسین، عبدالهی، احمد و مقدسی، مطهره(1392) ، بررسی عملکرد معیارهای متفاوت ریسک در انتخاب و بهینه سازی سبد سهام ا استفاده از الگوریتم مورچگان در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه راهبرد و مدیریت مالی دانشکده علوم اجتماعی و اقتصادی دانشگاه شیراز ، سال اول، شماره دوم.

*      کیانی هرچگانی، مانده و نبوی چاشمی، سیدعلی و معماریان، عرفان(1393). بهینه­سازی سبدسهام براساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از الگوریتم ژنتیک، فصلنامه علمی­پژوهشی دانش سرمایه­گذاری، دوره3، شماره 11، صفحات 164-125.

*      محمدی استخری، نازنین(1385)، انتخاب یک سبد سهام از بین شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه سازی الگوریتم ژنتیک پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.

*      مولایی، محمدعلی، طالبی، آرش (1389) ، انتخاب و بهینه سازی سبد سهام با استفاده از روش های فرا ابتکاری و مقایسه آن با سبد های تشکیلی خبرگان و تازه کارها در بورس اوراق بهادار تهران، پایان نامه کارشناسی ارشد، دانشگاه صنعتی شاهرود.

*      Akay B, karaboga D (2010) A Modified artificial Bee colony algorithm for real- parameter optimization ,Infsci . doi : 10.1016/j.ins.2010.07.015.

*      Alavi garehbagh .A ,Bakhshi. R,(2007). survey of the common structures of genetic Algorithm, electrical Engineering conference; Tehran , Iran.

*      Aouni, B.(2009). multi-attribute portfolio selection: new perspectives. IN FOR , 47(1), 1-4.

*      Arnone, S. Loraschi, A . Tettamanzi, A.(1993) "A genetic approach to portfolio selection " , Neural Network World , vol. 6, No . 93, pp.597- 604.

*      Chan,T.j.at al (2000), “heuristic for cardinality constrained portfolio optimization. Computers and operation research, vol,27, pp, 1271-1302.

*      Chang.J.J, Vang.S.C, chang.k.j(2009). Portfolio optimization problems in different risk measure using gentic algorithm, Expres system with application, pp:152-163.

*      Chen, w.(2015). Artificial bee colony algorithm constrained possibilistic portfolio optimization problem, physica,pp.125-139.

*      Chu SC , Huang HC , Roddick J, pan JS (2011) overview of algorithms for swarm intelligence. in :Jedrzejowicz P, Nguyen N, Hoang K (eds). computational collective intelligence. Technologies and applications. Lecture notes in computer science ,vol 6922, springer, Berlin, pp 28-41

*      Coloni, A. Dorigo.M.and Maniezzo, V.(1991), Distributed optimization by ant colony, in proceeding of europen conference on Prtifical life (ecsla1). Elsevier publishing, Amesterdam.

*      Deng, Yi .(2002). Genetic Algorithm for Financial portfolio selection . Master`s Thesis, university of science & Technology Beijing, china.

*      Dorigo,M. stutzle.T.(2004), Ant colony optimization, mh press, Cambridge.

*      Eiben,A.E,Smit, E.(2003), interoduction to Evolutionary, springer.

*      Fabozzi , F. etal(2005), robust portfolio optimization and management” john willy 8 sons, inc.

*      Fernandez,A . Gomez, S .(2007)," portfolio selection using neural networks", computers and operations research, vol. 34. No .4, pp.1177-1191.

*      Fieldsend, J. E. Matatko, J.  Peng, M. (2004). “cardinality constrained    portfolio    optimization” in proceedings of the intelligent data engineering and automated learning on computer science, 2, pp. 788-793.

*      Hanson,p . Riberio,C.(2009), Essays and surveys on meta heuristics kluwer academic publishes, Boston

*      Hoolland, J.H (1975), Adaptation in natural and artificial systems, university of mcichigan press, ann arbor, ml..

*      Karaboga D (2005) An idea based on honey bee swarm for numerical optimization. Technical report. Computer Engineering Department , Engineering Faculty, Erciyes University.

*      Karaboga D, AkayB(2009) A comparative study of artificial bee colony algorithm. Appl Math comput 214(1): 108-132.

*      Karaboga D, Basturk  B(2007) on the  performance of Artificial bee colony(abc) algorithm, Appl soft comput 8(1):687-697.

*      Karaboga, D. GorkemLi, B(2014). A quick Artificial Bee colony (qABC) algorithm and its performance on optimization problems .Appl. Soft compact .23, 227-238.

*      KarabogaD , Akay B(2010) proportional – integral-derivative controller design by using artificial bee colony, harmony search, and the bees algorithms . procinst MechEng Part I-J Syst Control Eng 224(17) :869 -883.

*      KarabogaD ,Basturk B(2007) Artificial bee colony(abc) optimization algorithm for solving constrained optimization problems. In : proceeding of the 12^th international fuzzy systems association world congress on foundations of fuzzy logic and soft computing. Springer , Berlin, IFSA, 07,pp,789-798.

*      KarabogaD,Akay B(2007) Artificial bee colony (abc) algorithm on training artificial neural networks. In :2007 IEEE 15^th signal processing and communications applications , vols 1-3, IEEE , pp 818-821.

*      Lin cj, lee cy(2009) An efficient artificial bee colony algorithm for 3d protein folding simulation. In: 17th national conference on fuzzy theory and its applications, pp 705-710

*      Lin,c.c., liu,T.Y. (2007) “genetic algorithms for portfolio selection problems with minimum transaction lost”, European journal of operational research ,o.r. Applications.

*      Mala DJ, kamalapriya M, shobana R, Mohan V (2009)A non-pheromone based intelligent swarm optimization technique in software test suit optimization . In :IAMA:2009 international conference on intelligent agent and multi – agent systems , IEEE Madras section ; IEEE computer society m Madras chapter ; Computer society of india Div II ; Council of science & industrial Research ;Govtindia,  Department of information Technology , pp 188-192.

*       Mala DJ,Mohan V, kamalapriya M(2010) Automated software test optimization framework – an artificial bee colony optimization –based approach . IET soft w 4(5) :334-348

*      Markowitz, H. (1952) " portfolio selection ". the journal of Finance, vol . 7, No.1,pp.77-91.

*      Markowitz, H. (1959) "portfolio " selection : Efficient diversification of investments"  , John wiley& sons , New York.

*      Raei,R. Bahrani Jahromi,B . Kamalzadeh.s.(2014), Portfolio optimization problem by Means og Artificial Bee Colony Algorithm, considering vailuscritiz. Internationall of compute Appli cations,Vol 103, No, 110 PP:159-172.

*      Ruiz,V. Daz-parra,O (2011) Similarities between meta-heuristics algorithms and the science of life. Cent Eur J Oper Res 19: 445-466.

*      Tollo, G. 8 Roli, A. (2008), Meta heuristics for the Portfolio selection Problem. International Jorurnal of operation Research 15,13-35.

*      Tuba.M, Bacanin.N.(2014). “Artificial bee colony algorithm hybridzed with firefly algorithm for cardinality constrained mean- variance portfolio selection problem, applied g information science, no, 6,pp: 2831-2844.

*      Wang, z. ouyang, R . and kong, x. (2013), “A hybrid artificial bee colony algorithm for port folio for portolio optimization problem, Journal of theoretical and applied information technology.

*      Wang.z,liu.S, kong.x.(2012) Artificial bee colony Algorithm for portfolio optimization problem, international jornal of advancements in computing thchnology v,4.N,4.

*      Wu D.Yu W. Yin Z (2011) Parameter estimation of rational models based on artificial bee colony algorithm. In: Proceedings of 2011 international conference on modeling, identification and control (ICMIC),pp 219-224.

Yang.x.s. (2005),“Engineering optimizations via Nature Inspired virtual Bee Algorithms”, springer- verlog: 317-323