Examining the Efficiency Models, Genetic Algorithm under MSV Risk and Particle Swarm Optimization Algorithm under CVAR Risk Criterion in Selection Optimal Portfolio Shares Listed Firms on Stock Exchange

Subject Areas : Financial Economics

Dariush Adinevand ¹ (Department of Accounting, Karaj Branch, Islamic Azad University, Karaj, Iran)
Ebrahim Ali Razini ² (Department of Management, Karaj Branch, Islamic Azad University, Karaj, Iran)
Mahmoud Khodam ³ (Department of Industrial Management, Karaj Branch, Islamic Azad University, Karaj, Iran)
Fereydoun Ohadi ⁴ (Department of Industrial Engineering, Technical and Engineering Faculty, Karaj Branch, Islamic Azad University, ahoKaraj, Iran)
Elham Elsadat Hashemizadeh ⁵ (Department of Mathematics, Karaj Branch, Islamic Azad University, Karaj, Iran)

Received: 2023-10-05 Accepted : 2023-12-07 Published : 2023-12-22

Keywords: Genetic Algorithm, particle swarm optimization, M52, Keyword: Optimization, Conditional Value at Risk and Mean Semi Variances JEL Classification: M42,

Abstract :

Abstract Choosing the optimal stock portfolio is one of the main goals of capital management. Today, There are several tools and techniques for measuring portfolio risk and selecting the optimal stock portfolio. In this article, using data of 15 shares selected by purposeful sampling method from the top companies of Tehran Stock Exchange Organization including; PKOD, ZMYD, BPAS, FOLD, MKBT, GOLG, MSMI, PTAP, SSEP, AZAB, FKAS, NBEH, PFAN, GMRO and GSBE, the First return of these stocks are calculated daily in the period of 31/3/1394 -31/3/1399 for 5 years for 1183 days and then using MATLAB software models The Metaheuristic Optimization of the Genetic Algorithm under the MSV Risk Criterion and the Particle Swarm Algorithm under the CVaR risk Criterion are Compared. The results show that the genetic algorithm model under MSV risk criterion is more efficient and less risky, therefore the genetic algorithm model under MSV risk criterion is more efficient than the particle swarm algorithm model under CVaR risk criterion.

References:

فهرست منابع

• ابونوری، اسمعیل، تهرانی، رضا و شامانی، مسعود (1397). عملکرد پورتفولیوهای مبتنی بر ریسک تحت شرایط مختلف در بازار سهام. اقتصاد مالی، (45)12، 51-57.


• بیات، علی و اسدی، لیدا (1396). بهینه­سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکویتز. مهندسی مالی و مدیریت اوراق بهادار، (32)8، 63-85.


• راعی، رضا و سعیدی، علی (1392). مبانی مهندسی مالی و مدیریت ریسک. چاپ هفتم. تهران: نشر سمت، ایران.


• رهنمای رودپشتی، فریدون، نیکو مرام، هاشم، طلوعی اشلقی، عباس، حسین زاده لطفی، فرهاد و بیات، مرضیه (1394). بررسی کارایی بهینه­سازی پرتفوی بر اساس مدل پایدار با بهینه­سازی کلاسیک در پیش­بینی ریسک و بازده پرتفوی. مهندسی مالی و مدیریت اوراق بهادار، (22)6، 29-59.


• شهریارشاه­حسینی، هادی­، موسوی ­­میرکلائی، سیدمحمدرضا و ملاجعفری، مرتضی (1396). الگوریتم­های تکاملی مبانی،کاربردها، پیاده­سازی، چاپ دوم. تهران: انتشارات علم و صنعت، ایران.


• کریمی، آرزو (1400). بهینه‌­سازی سبدسهام با استفاده از الگوریتم ژنتیک چند هدفه (NSGA II) و ماکزیمم نسبت شارپ. مهندسی مالی و مدیریت اوراق بهادار، (46)12، 389-410.


• نیکخو، حافظ، رحمانی، تیمور و خلیلی، فرزانه (1401). نا اطمینانی اقتصادکلان و تصمیمات سرمایه‌گذاری بانک‌ها .اقتصاد مالی، (58)16، 22-1.


• مریخ­ بیات، شاهرخ (1393). الگوریتم­های بهینه سازی الهام گرفته از طبیعت، چاپ دوم. تهران: نشر نص، ایران.


• مولایی، محمدعلی و طالبی، آرش (1389). بررسی کاربرد الگوریتم ابتکاری ترکیبی ژنتیک و نِلدر مید در بهینه سازی پورتفوی. دوفصلنامه جستارهای اقتصادی ایران با رویکرد اقتصاد اسلامی، (14)7، 171-204


• میزبان، هدیه­السادات، افچنگی، زهرا، احراری، مهدی، آروین، فرشاد و سوری، علی (1391). بهینه­سازی سبدسهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه­گیری ریسک. اقتصاد مالی، (19)6، 205-227.

• Aouni, B. (2009). Multi-attribute portfolio selection: New Perspectives, INFOR: Information Systems and Operat. Scientometrics, 47(1), 1-4. Doi: https://doi.org/10.3138/infor.47.1.1.


• Campbell, R., Huisman, R. & Koedijk, K. (2001). Optimal portfolio selection in a Value-at-Risk framework, Journal of Banking & Finance. Scientometrics, 25(9), 1789-1804.


• Cura, Tunchan. (2009). Particle swarm optimization approach to portfolio optimization. Nonlinear Analysis: Real World Applications. Scientometrics, 10, 2396– 2406.


• Maringer, Dietmar G. (2005). Portfolio Management with Heuristic Optimization.


• https://www.springer.com/gp/book/9780387258522#aboutAuthors


• Markowitz, H. (1952), Portfolio Selection, Journal of Finance, Scientometrics, 7(1), 77-91.


• Raei, R., & Bahrani Jahromi, M. (2012). Portfolio optimization using a hybrid of fuzzy ANP, VIKOR and TOPSIS, Management Science Letters, Scientometrics, 2, 2473–2484. Doi: 10.5267/j.msl.2012.07.019.


• G.Willadsen., A. Bebe., R.K-Rasmussen. & D. E. Jarbøl. (2016). the role of diseases, risk factors and symptoms in the definition of multimorbidity–a systematic review”Scandinavian Journal of Primary Health Care. Scientometrics, 34, 1-10. DOI: 10.3109/02813432.2016.1153242


• Sushruta, Mishra., Soumya, Sahoo. & Mamata. Das. (2017), Genetic Algorithm: An Efficient Tool for Global, Advances in Computational Sciences and Technology. Scientometrics, 10(8), 2201-2211, ISSN 0973-6107.


• Wei, S. Z. (2015). Multi-period Optimization Portfolio with Bankruptcy Control in Stochastic Market. Applied Mathematics and Computation. Scientometrics, 186(15), 414–425.