بهینه سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه گیری ریسک
محورهای موضوعی : اقتصاد مالی
کلید واژه: سبد سهام, واژگان کلیدی: بهینه‌سازی ازدحام ذرات, میانگین واریانس, میانگین نیم- واریانس, میانگین قدر مطلق انحرافات,
چکیده مقاله :
این مقاله از الگوریتم ازدحام ذرات برای بهینه‌‌یابی سبد دارایی مارکوویتز با توجه به معیارهای متفاوت اندازه‌گیری ریسک یعنی میانگین واریانس، میانگین نیم- واریانس و میانگین قدر مطلق انحرافات و همچنین محدودیتهای موجود در بازار واقعی مانند "اندازه ثابت تعداد سهام" و "محدودیت خرید" استفاده کرده است.برای بررسی قابلیت حل این مسائل به کمک این الگوریتم،ازداده‌هایواقعی 186 شرکت در بورس اوراق بهادار تهران در فاصله زمانی تیر1385تا تیر1390استفاده شده‌است.نتایج به دست آمده از این پژوهش حاکی از عملکرد موفق الگوریتمPSOدر محاسبه مرز کارای مارکوویتز در تعاریف مختلف اندازه گیری ریسک است. Abstract In this paper, Particle Swarm Optimization (PSO) is employed to optimize Markowitz portfolio based on different risk measurement criteria, namely, mean-variance, semi-variance and mean absolute deviation considering constraints of real markets such as "fixed stock numbers" and "cardinality constraints". To investigate the efficiency of the proposed algorithm, the data obtained from 186 companies of Tehran Stock Exchange in duration of Tir of 1385 until Tir of 1390 are used. The obtained results demonstrate the efficiency of PSO as a promising method in calculating appropriate constraint of Markowitz based on different definitions of risk measurement.
منابع
- باهری، دیار(1388)، پرتفوی بهینه از طریق معیار ارزش در معرض ریسک: بکارگیری الگوریتم بهینه‌سازی اجتماع ذرات، پایان نامه کارشناسی ارشد، دانشگاه تهران.
- راعی، رضا. علی بیگی، هدایت(1388)،بهینه‌سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات، تحقیقات مالی، دوره 12، شماره 29، صفحه21-40.
- گرکز، منصور. عباسی، ابراهیم. مقدسی، مطهره(1389)،انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک بر اساس تعاریف متفاوتی از ریسک، فصلنامه مدیریت صنعتی دانشکده علوم انسانی دانشگاه آزاد اسلامی واحد سنندج، صفحه115-136.
- نویدی، حمیدرضا. نجومی مرکید، احمد. میرزا زاده، حجت(1388)، تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتم های ژنتیک، تحقیقات اقتصادی، شماره 89، صفحه243-262.
- Arnone, S. Loraschi, A. &Tettamanzi, A(1993), A Genetic Approach to Portfolio Selection, Neural Network World, No. 6, pp. 597–604.
- Fabio D. Freitasa., Alberto F. De Souzab.,-Ailson R. de Almeidac(2007), Prediction-Based Portfolio Optimization Model Using Neural Networks, Lattice Computing and Natural Computing, p.p.2155-2170.
- Fernandez, A. Gomez, S (2007), Portfolio Selection Using Neural Networks, Computer&Operation Research, p.p. 1177-1191.
- Gaivoronski, A. Pflug, G.(2005),Value at Risk in Portfolio Optimization: Properties and Computational Aapproach, Journal of Risk, p.p.1-31.
- Guang-Feng, Deng. Woo-Tsong, Lin (2010), Ant Colony Optimization for Markowitz Mean-Variance Portfolio Model.” , Swarm, Evolutionary and Memetic Computing Lecture Notes in Computer Science, 245, p.p. 6466-238.
- Jia, J.Dyer, J. S(1996), A Standard Measure of Risk and Risk-Value Models, Management Science, p.p.1691-1705.
- Kennedy, J.(1997), The particle Swarm , Social adaptation of knowledge, p.p.303-308.
- Kennedy, J.Eberhart, R(1995), A New Optimizer Using Particle Swarm Theory, In Sixth international symposium on micro machine and human scienc., p.p.43-39.
- Ozsoydan, Fehmi Burcin, Sarac ,Tugba,(2011), A Discrete Particle Swarm Optimization Algorithm for Bicriteria Warehouse Location problem Istanbul University Econometrics & Statistics e-Journal, 13, p.p. 114-124.
- Konno, H(2003), Portfolio Optimization of Small Fund Using Mean-Absolute Deviation Model, International Journal of Theoretical and Applied Finance, p.p. 403-418.
- Konno, H. Koshizuka, T.(2005), Mean-Absolute Deviation Model, IIE Transactions,p.p.893-900.
- Konno, H.Yamazaki, H.(1991), Mean-Absolute Deviation Portfolio Optimization Model and It's Applications to Tokyo Stock Market, Management Science, p.p.519-531.
- Lai, king keung, leanYu, Shouyang, Wang, Chengxiong, Zhou(2006), A Double-Stage Genetic Optimization, ICONIP'06 Proceedings of the 13th international conference on Neural information processing, p.p. 928-937.
- Loraschi, A. Tettamanzi, A. Tomassini, M. Svizzero, C. Scientifico, C.Verda, P.(1995) , Distributed Genetic Algorithms with An Application to Portfolio Selection Problems, in: artificial neural networks and genetic algorithms, Berlin, Springer-Verlag, p.p.384-387.
- Markowitz, H. M.(1952), Portfolio Selection,The Journal of Finance, p.p. 77-91.
- Markowitz, H.M.(1959), Portfolio selection: Efficient diversification of investments; John Wiley & Sons.
- Paterlini, S.Krink, T.(2006), Differential Evolution and Particle Swarm Optimization in Partitional Clustering.” , Computational Statistics and Data Analysis, No.50, p.p. 1220-1247.
- Ratnaweera, A. Halgamuge, S.Watson, H.(2004), Self-Organizing Hierarchical Particle Swarm Optimizer with Time-Varying Acceleration Coefficients, Transactions on Evolutionary Computation, No. 8, p.p. 240-255.
- Rolland, E.(1996), A Tabu Search Method for Constrained Real-Number Search:Applications to Portfolio Selection,Technical Report, Department of Accounting and Management Information Systems, Ohio State University, Columbus.
- Sharpe, W.F. (1964). Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk. The Journal of Finance, 19(3), pp. 425–442.
- Shi, Y.Eberhart, R.(1998), A Modified Particle Swarm Optimizer, IEEE world congress on computational intelligence, p.p.69-7s3.
- Tehran Securities Exchange Technology Management Co http://www.tsetmc.com
- Tehran Stock Exchange http://www.irbourse.com
- Tun-Jen, Chang. Sang-Chin, Yang. Kuang-Jung, Chang(2009), Portfolio Optimization Problems in Different Risk Measures Using Genetic Algorithm, Expert Systems with Applications, p.p. 10529-10537.
- Cura, T. (2009), Particle Swarm Optimization Approach to Portfolio Optimization, Nonlinear Analysis: Real World Applications, No.10, p.p. 2396–2406.
- Woodside-Oriakhi, M. Lucas, C. Beasley, J.E.(2011), Heuristic Algorithms for The Cardinality Constrained Efficient Frontier, European Journal of Operational Research, p.p. 538-550.