.

Subject Areas :

Saeed Aghasi ¹ ( Assistant Professor, Department of Management, Dehagan Branch, Islamic Azad University, Dehagan, Iran )
Akram Karimpour ² ( PhD student in financial engineering, Dehaghan Branch, Islamic Azad University, Dehaghan, Iran. )

Received: 2022-08-06 Accepted : 2022-11-17 Published : 2023-02-20

Keywords:

Abstract :

Financial investors' access to the most favorable position is achieved when the maximum rate of return with a certain risk or the minimum risk with a certain rate of return is created. To find such a situation, various linear and nonlinear mathematical methods such as a wide range of meta-heuristic algorithms are used. The main purpose of this study is to investigate and analyze the use of flower pollination algorithm and compare it with Markowitz model in accurately identifying and selecting the optimal portfolio of companies listed on the Tehran Stock Exchange. In the first stage, 50 companies and in the second stage, 10 companies were selected as the top companies among the companies listed on the Tehran Stock Exchange, which had a 5-year activity in 2015-2016. The new flower pollination algorithm was compared. The results showed that the flower pollination algorithm has better performance both in terms of return and investment risk.

References:

آقاسی، سعید، آقاسی، احسان، بیگلری، سحر. (1396). انتخاب پرتفوی سهام بهینه‌ی سرمایه‌گذاران بر اساس تحلیل همبستگی کانونی برای شرکت‌های عضو بورس اوراق بهادار تهران، فصلنامه دانش مالی تحلیل اوراق بهادار، 36: 131-119.
بیات، علی، اسدی، لیدا. (1396). بهینه‌سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکوویتز، مهندسی مالی و مدیریت اوراق بهادار مدیریت پرتفوی، 8(32): 85-63.
بیات، علی، شکری، سیما. (1394). فرایند انتخاب پرتفوی بهینه به روش ارزش در معرض ریسک، همایش منطقه‌ای ایده‌های نوین در حسابداری و مدیریت مالی، زنجان، دانشگاه آزاد اسلامی واحد، معاونت آموزشي و پژوهشي سازمان سما - مركز آموزش و فرهنگي سما زنجان.
پیرصالحی، مجتبی. (1372). بررسی رابطه ریسک و بازده سرمایه‌گذاری در بورس اوراق بهادار تهران، پایان‌نامه کارشناسی ارشد مدیریت بازرگانی، دانشگاه اصفهان.
جمشیدی عینی، عصمت، خالوزاده، حمید. (1395). بررسی روش‌های هوشمند در حل مسئله سبد سهام مقید در بازار سهام تهران، دانش مالی تحلیل اوراق بهادار مطالعات مالی، 929: 85-96.
جونز، چارلز پی. (1386). مدیریت سرمایه‌گذاری پیشرفته، تهران: انتشارات سمت.
حسینی، سید علی، اسماعیل‌زاده مقری، علی، جهانشاد، آزیتا. (1400). انتخاب بهینه سبد سهام با استفاده از الگوریتم ترکیبی هوش جمعی سالپ و سینوس کسینوس و شبکه‌های عصبی روبه‌جلو، فصلنامه مدیریت کسب‌وکار، 1249.
دیده خانی، حسین، حجتی استانی، سعید. (1395). ارائه مدل برنامه‌ریزی چندهدفه جهت انتخاب سهام با درنظرگرفتن ارزش در معرض خطر فازی: رویکرد تئوری اعتبار فازی. مهندسی مالی و مدیریت اوراق بهادار، 832: 268-239.
راعی، رضا، علی بیگی، هدایت. (1389). بهینه‌سازی پرتفوی با استفاده از روش حرکت تجمیعی ذرات". تحقیقات مدیریت مالی دانشگاه تهران. دوره 81. شماره 13.
رهنمای رودپشتی، فریدون، نیکومرام، هاشم، طلوعی اشلقی، عباس، حسین‌زاده، لطفی، فرهاد، بیات، مرضیه. (1394). بررسی کارایی بهینه‌سازی پرتفوی بر اساس مدل پایدار با بهینه‌سازی کلاسیک پیش‌بینی ریسک و بازده پرتفوی، مهندسی مالی و مدیریت اوراق بهادار، شماره 22: 59-29.
ولی‌زاده، مصطفی، پاک مرام، عسگر، بحری ثالث، جمال. (1395). انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک، با بهره‌گیری از مدل میانگین نیمه واریانس مارکوویتز، مهندسی مالی و مدیریت اوراق بهادار، 31: 42-19.
همائی فر، ساغر، روغنیان، عماد. (1395). به‌کارگیری الگوهای بهینه‌سازی پایدار و برنامه‌ریزی آرمانی در مسئله انتخاب سبد سرمایه‌گذاری چند دوره‌ای، مهندسی مالی و مدیریت اوراق بهادار مدیریت پرتفوی، 728: 163-157.
منابع
Ackermann, M.R., Märtens, M., Raupach, C., Swierkot, K., Lammersen, C., Sohler, C. (2012). Streamkm A clustering algorithm for data streams. ACM Journal of Experimental Algorithmics,
Alyasseri, Z.A.A., Khader, A.T., Al-Betar M.A., Awadallah, M.A., Yang, X.S. (2018). Variants of the Flower Pollination Algorithm: A Review. In: Yang XS. (eds) Nature-Inspired Algorithms and Applied Optimization. Studies in Computational Intelligence, 744. Springer, Cham.
Chatrath, A., Miao, H., Ramchander, S., Villupuram, S. (2014). Currency jumps, cojumps and the role of macro news. Journal of International Money and Finance, 40, 42-62.
Cong, F., Oosterlee, C.W. (2016). Multi-period mean-variance portfolio optimization based on monte-carlo simulation. Journal of Economics Dynamics and control, 64, 23-38.
Draa, A. (2015). On the performances of the flower pollination algorithm -Qualitative and quantitative analyses. Applied Soft Computing, 34, 349-371.
Mansini, R., Ogryczak, W., Speranza, M.G. (2015). Linear and MixedInteger Programming for Potfolio Optimization, New York: AG Switzerland, p.21-30
Mahinda Mailagaha Kumbure., Christoph Lohrmann., Pasi Luukka., Jari Porras. (2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications, 197(1).
Meng Liu., Kaiping Luo., Junhuan Zhang., Shengli Chen. (2021). A stock selection algorithm hybridizing grey wolf optimizer and support vector regression. Expert Systems with Applications, 179(1).
Mei, X., DeMiguel, V., Nogales, F.J. (2016). Multiperiod portfolio optimization with multiple risky assets and general transaction costs. Journal of Banking & Finance, 69, 108-120.
Najafi Moghadam, A., Rahnama Roodpooshti, F., Farrokhi, M. (2014). Optimization of Stock Portfolio based of Ant Colony & Greay Theory. IRJABS, 8(7), 780-788.
Potì, V., Siddique, A. (2013). What drives currency predictability? Journal of International Money and Finance, 36, 86–106.
T.O. Kehinde., Felix T.S., Chan b, S.H. Chung. (2023). Scientometric review and analysis of recent approaches to stock market forecasting: Two decades survey. Expert Systems with Applications, 213(1).
Yang, X.S. (2012). Flower Pollination Algorithm for Global Optimization. Unconventional Computation and Natural Computation, Lecture Notes in Computer Science, 7445, 240-249.
Yilin, A., Qu, B. Y., Li, H., Zhao, S.Z., Suganthan, P.N., Zhang, Q. (2021). Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation, 1(1), 32-49.
Yu, H., Nartea, G.V., Gan, C., Yao, L.J. (2013a). Predictive ability and profitability of simple technical trading rules: Recent evidence from Southeast Asian stock markets. International Review of Economics and Finance, 25, 356–37.
Zhou, X., Pan, Z., Hu, G., Tang, S., Zhao, C. (2018). Stock market prediction on high-frequency data using generative adversarial nets. Mathematical Problems in Engineering.