انتخاب بهینه سبد سهام با استفاده از الگوریتم‌های بهبودیافته ژنتیک مرتب‌سازی نا‌مغلوب و الگوریتم پارتوی نیرومند با در نظر گرفتن ریسک بر مبنای ارزش در معرض خطر شرطی
الموضوعات : دانش سرمایهگذاریمجتبی مرادی 1 , مریم قویدل جیرسرائی 2
1 - استادیار دانشگاه گیلان؛ (نویسنده مسئول)
2 - کارشناس ارشد ریاضیات مالی
الکلمات المفتاحية: الگوریتم بهبودیافته چندهدفه ژن, الگوریتم بهبودیافته سطح کارای , بهینه‌سازی سبد سهام, ارزش در معرض خطر شرطی,
ملخص المقالة :
سبد سهام ترکیبی مناسب از سهام یا سایر دارایی‌‌ها است که سرمایه‌گذار به خرید آن می‌پردازد و بر پایه این اصل بنا شده است که سرمایه‌گذار تصمیم می‌گیرد از میان فرصت‌های سرمایه‌گذاری مختلف با توجه به میزان تحمل خود از ریسک و انتظار قابل قبولی که از بازده سهام دارد؛ یک یا چند سهام را برای سرمایه‌گذاری انتخاب کند. در این مقاله از الگوریتم‌های چندهدفه بهبودیافته ژنتیک مرتب‌سازی نا‌مغلوب و سطح کارای نیرومند برای انتخاب سبد بهینه استفاده شده است. این الگوریتم‌ها، نوع بهبودیافته از نسخه‌های قبلی خود هستند و نتیجه بهتری نسبت به نسخه‌های قبلی خود ارائه می‌دهند. ارزش سبد سرمایه و ریسک آن، به‌عنوان اهداف بهینه‌سازی و معیار ارزش در معرض ریسک خطر شرطی، به‌عنوان مبنای ریسک به‌کاربرده شده است. دو قید کاربردی نیز برای سبد سهام در نظر گرفته‌شده است و نشان داده شده است که الگوریتم بهبودیافته سطح کارای نیرومند در حالت‌های بررسی شده، نتایج بهتری نسب به الگوریتم بهبودیافته چندهدفه ژنتیک مرتب‌سازی نا‌مغلوب دارد.
* اسلامی بیدگلی، غلامرضا و احسان طیبی ثانی، (1393). بهینه‌سازی سبد سرمایه‌گذاری بر اساس ارزش در معرض ریسک، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، شماره 10.
* عباسی، ابراهیم؛ ابوالی، مهدی؛ سربازی، مهدی (1391)."انتخاب سبد سهام بهینه با استفاده از الگوریتم ژنتیک NSGA-II"، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 10.
* مروتی شریف‌آبادی، علی؛ عزیزی، شیرین؛ احمدی، نسترن (1394). بکارگیری الگوریتم رقابت استعماری (ICA) در بهینه‌سازی و تشکیل پرتفلیو، فصلنامه دانش سرمایه‌گذاری، شماره 13.
* Conejo A.J., Carrión M., Morales J.M. (2010). Decision Making Under Uncertainty in Electricity Markets. Series: International Series in Operations Research & Management Science, Vol. 153.
* Cura, T., (2009). Particle swarm optimization approach to portfolio optimization, Nonlinear Analysis: Real World Applications 10(4), 2396–2406.
* Deb K., Agarwal S., Meyarivan T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. Evolutionary Computation; 6: 2 (2002) 182-197.
* Elton, E.J. Gruber, M.J. (1995), "Modern Portfolio Theory and Investment Analysis", John Wiley and Sons, New York.
* Konno H., Yamazaki H., (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management Science; 37519–31.
* Jorion, P. (2006). Value at Risk: The New Benchmark for Managing Financial Risk, 3rd Edition, New York: McGrawHill.
* Larsen, N., Mausser, H., & Uryasev, S. (2002). Algorithms for optimization of value-at-risk. In P. M. Pardalos & V. K. Tsitsiringos (Eds.), Financial engineering, E-commerce and supply chain, volume 70 of Applied optimization (Vol. 70, pp. 19–46). New York: Springer.
* Lazo J.G.L., Vellasco M.M.R., Pacheco M.A.C. (2000). A hybrid genetic-neural system for portfolio selection and management. In: 6th Int. Conference on Engineering Applications of Neural Networks, 17-19.
* Markowitz, H. (1952). Portfolio selection. Journal of Finance 7: 77–91
* Sarykalin, S., Serraino, G., & Uryasev, S., (2008). Value-at-risk vs. conditional value-at-risk in risk management and optimization. In Z. L. Chen & S. Raghavan (Eds.), Tutorials in Operations Research, 270–294
* Tuba, M.; Bacanin, N. (2014). Artificial bee colony algorithm hybridized with firefly algorithm for cardinality constrained mean-variance portfolio selection problem. Appl. Math. Inf. Sci. 8 no. 6, 2831–2844.
* Yin Peng-Yeng, Jing-Yu Wang (2006). A particle swarm optimization approach to the nonlinear resource allocation problem. Applied Mathematics and Computation, 183, 232–242
* Zitzler E., Laumanns M. and Thiele L. (2001). “SPEA2: Improving the Performance of the Strength Pareto Evolutionary Algorithm”, Technical Report 103, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH) Zurich 2001
_||_