The Comparison of Genetic and Weed Algorithms in Portfolio Optimization

Subject Areas : Financial Knowledge of Securities Analysis

Majid Feshari ¹ , Pooria Mazaherifar ²

1 - Assistant Professor of the faculty of Economics, Kharazmi University
2 - Ms Financial management, Kharazmi University

Received: 2016-08-15 Accepted : 2016-12-28 Published : 2018-06-22

Keywords: portfolio optimization, Mean- Semi Variance Model, AR, GA,

Abstract :

In this paper, Genetic and weed algorithms are used to solve constrained mean-semi variance portfolio problem. Then AR model and simple average are compared to predict expected return of stocks. 23 active stocks from June 22, 2014 to June 21, 2016 are used as our sample. The results indicate that, weed algorithm despite its longer time consuming has better performance than Genetic algorithm. And AR (2) model has more accurate prediction than simple average in predicting expected rate of return. Finally, we compare expected and real efficient frontier, the results indicate that, in lower risk, AR model has better prediction accuracy. So in that area, we can allocate our asset with higher certainty

References:

*      اسلامی بیدگلی، غلامرضا؛ وافی ثانی، جلال. (1388). " بهینه­سازی و بررسی اثر میزان تنوع بر عملکرد پرتفوی با استفاده از الگوریتم مورچگان" فصلنامه بورس اوراق بهادار تهران، 5، 57-75.

*      بیهقی، هدیه؛ عزیززاده؛ آقابابایی، محمدابراهیم. (1394). " بررسی تاثیر بازده‏ های فازی در کارآیی پرتفوی بهینه مقید در بورس اوراق بهادار تهران با استفاده از الگوریتم کلونی زنبور". پایان نامه کارشناسی ارشد.

*      راعی، رضا؛ علی بیگی، هدایت. (1389). " بهینه­سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات" تحقیقات مالی، 29، 40-21.

*      راعی، رضا؛ محمدی، شاپور؛ علی بیگی، هدایت. (1389). " بهینه­سازی سبدسهام با رویکرد میانگین- نیم­واریانس» و با استفاده از روش جستجوی هارمونی" پژوهش­های مدیریت در ایران، 3، 128-105.

*      صفوی، علی اکبر؛ پورجعفریان، نرگس؛ صفوی، علی. (1393). " بهینه­سازی بر پایه الگوریتم­های فرا ابتکاری". نشر: مهرگان

*      Bacanin, Tuba, M., & Nebojsa. (2014). Upgraded Firefly Algorithm for Portfolio Optimization Problem. UKSim-AMSS 16th International Conference on Computer Modelling and Simulation.

*      Chen, M.-Y., & Prayogo, D. (2014). Symbiotic Organisms Search: A new metaheuristic optimization.      Computers and Structures.

*      Markowitz, H.M. (1952). Portfolio Selection. Jornal of Finance: 77-91, 1952.

*      Markowitz, H.M. (1959). Portfolio Selection: Efficient diversification of investments. John Wiley & Sons.

*      Salahi, M., Daemi, M., Lotfi, S., & Jamalian, A. (2014). PSO and Harmony Search Algorithms for Cardinality Constrained Portfolio Optimization Problem. Advanced Modeling and Optimization, 559-573.

*      Tsay, R. (2010). Analysis of Financial Time Series. wiley.

*      Tuba, M., & Bacanin, N. (2014). Artificial bee colony algorithm hybridized with firefly metaheuristic for cardinality constrained mean-variance portfolio problem. Applied Mathematics & Information Sciences.

*      Tuba, M., Brajevic, I., & Jovanovic, R. (2013). Hybrid seeker optimization algorithm for global optimization. Applied Mathematics & Information Sciences, 867-875