Selection and Portfolio Optimization by Mean–Variance Markowitz Model and Using the Different Algorithms
Subject Areas : Financial Knowledge of Securities AnalysisJamal Bahri Sales 1 , Askar Pakmaram 2 , Mostafa Valizadeh 3
1 - Assistant Professor, Department of Accounting, Urmia Branch, Islamic Azad University, Urmia, Iran.
2 - Assistant Professor of Accounting, Bonab Branch, Islamic Azad University, Bonab, Iran.
3 - MSc in Accounting, Marand Branch, Islamic Azad University, Marand, Iran
Keywords: genetic algorithms, particle swarm algorithms, cultural algorithms,
Abstract :
One of the important features of industrialized and developing countries is the presence of money, dynamic market and capital. In other words, if the saving of individuals will be directed by appropriate mechanism to the manufacturing sector it brings efficiency not only to the owners of capital but also it can be considered as the most important funding for launching economic projects of society.In present study, three stock selection and optimization algorithms including genetic algorithm, particle swarm algorithm, and cultural algorithm has been studied. So, 106 listed companies in Tehran Stock Exchange, since 2007 to 2014 were tested in order to investigate this.In this study, for plotting the efficient frontier and comprising of the optimal portfolio half of the variance is considered as the main factor of risk. This research investigates the significant difference between the averages of investment output in selected baskets based on three methods. The statistical analysis of the results shows that there is no difference between the three algorithms. However, in order to compare the two algorithms and analysis of superiority of algorithms, these two methods of optimization have been compared from two aspects of objective function, output ratio and risk.Since the objective function of particle swarm algorithms was less, in other word, it has the least error and gain the best result so in comparing to other algorithms it has been performed better which shows the relative superiority of this algorithms in the selection of the optimal portfolio.
* تقوی فرد، محمدتقی، منصوری، طاها، خوش طینت، محسن (1386)، ارائه یک الگوی فرا ابتکاری جهت انتخاب سبد سهام با در نظر گرفتن محدودیت‌های عدد صحیح، فصلنامه پژوهشهای اقتصادی، سال هفتم ، شماره چهارم، صفحات 49-69
* خالوزاده، حمید و امیری، نسیبه (1385)، تعیین سبد سهام بهینه در بازار در معرض ریسک، مجله تحقیقات اقتصادی، شماره 73، صفحات 231-211.
* راعی، رضا، محمدی، شاپور و علی بیکی، هدایت (1389)، بهینه‌سازی سبد سهام با رویکرد «میانگین-نیم واریانس» و با استفاده از جستجوی هارمونی، فصلنامه تحقیقات مالی، صص 128-105.
* شهمیرزادی، مرضیه (1388)، انتخاب پرتفوی مناسب جهت کاهش ریسک غیرسیستماتیک در بورس اوراق بهادار تهران، پایان نامه کارشناسی ارشد، رشته مدیریت بازرگانی گرایش مالی، دانشکده اقتصاد و علوم اجتماعی، دانشگاه الزهرا (س) تهران.
* عبدالعلی زاده شهیر،سیمین و عشقی، کوروش (1382)، کاربرد الگوریتم ژنتیک در انتخاب یا مجموعه دارایی ازسهام بورس، فصلنامه پژوهش های اقتصادی، دوره پنجم، شماره 17، صص 192-175.
* کیانی هرچگانی، مائده، نبوی چاشمی، سید علی و معماریان، عرفان (1393)، بهینه‌سازی سبد سهام براساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از روش الگوریتم ژنتیک، فصلنامه دانش سرمایه گذاری، سال سوم، شماره11، صص 164-125.
* گرکز، منصور، عباسی، ابراهیم و مقدسی، مطهره (1389)، انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک براساس تعاریف متفاوتی از ریسک، فصلنامه مدیریت صنعتی دانشکده علوم انسانی دانشگاه آزاد اسلامی واحد سنندج، سال پنجم، شماره11، صص 136-115.
* هواسی، سجاد، میبدی، محمد رضا و رحیمی، سمانه (1391)، یک الگوریتم ترکیبی جدید مبتنی بر بهینه سازی دسته جمعی ذرات و الگوریتم فرهنگی برای محیط های پویا، دومین کنفرانس ملی مهندسی نرم افزار لاهیجان، دانشگاه آزاد اسلامی واحد لاهیجان، 10 و 11 آبان ماه.
* Anagnostopoulos, K.P., Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37 (7): 1285-1297.
* Aranha, C., & H. Iba, (2009), The Memetic Tree-based Genetic Algorithm and its application to Portfolio Optimization, springer: Memetic Comp 1: PP.139–151.
* Chang, T, G., Yang, S, C., Chang, K.G., (2009), Portfolio optimization problem different risk measure using genetic algorithm, Expert system with application, 36, PP. 10529-10537.
* Fernandez A., Gomez S, (2007), Portfolio selection using neural networks; Computer& Operations Research.s, 34, PP 1177-1191.
* Hao, F.F., Liu, Y.K, (2009), Mean-variance models for portfolio selection with fuzzy random returns, Journal of Applied Mathematics and Computing 30:9, PP 9–38.
* Huiling, W., Yang, Zeng., Haixiang Yao., (2013), Multi-period Markowitz's mean–variance portfolio selection with state-dependent exit probability, Economic Modelling, Vol 36, PP 69-74.
* Kenndy, J., Eberhart, R.C., (1995), Particle Swarm Optimization, In Proceedings of the IEEE International Conference on Neural Netwok IV.
* Konno H., Yamazaki H (1991); Mean-absolute deviation portfolio in optimization model and its application to Tokyo stock market, Management Science, 37, 519-531.
* Leung, Pui lamYip., Ng lui, Keong., wong, Wing., (2012), An improved estimation to make Markowitz’s portfolio optimization theory users friendly and estimation accurate with application on the US stock market investment, PP 85-98.
* Lin, Ch., Liu, Y., (2008), Genetic algorithms for portfolio selection problems with minimum transaction lots. European Journal of Operational Research; 185; PP393-404.
* Lin, Chi., Ming, Mitsuo, Gen., (2007), An Effective Decision-Based Genetic Algorithm Approach to Multiobjective Portfolio Optimization Problem, Applied Mathematical Sciences, Vol 1, No 5, 201– 210.
* Mansiri R., Speranza M. G, (1999), Heuristic algorithms for the portfolio selection problem with minimum transaction lots, European Journal of Operational research, 114, 219-233.
* Markowitz H.M, (1952), Portfolio selection, journal of finance, Vol 7, PP 77-91.
* Yang, X., (2006), Improving portfolio efficiency: A Genetic Algorithm Approach, Computational Economics, 28, 1, PP 1-14.
_||_