طراحی و تدوین الگوی پرتفوی بهینه سهام با استفاده از الگوریتم ملخ و مقایسه آن با مارکوویتز
محورهای موضوعی : مدیریت مالیرضا بصیری 1 , سعید آقاسی 2 , مهدی اشرفیان قینانی 3
1 - دانشجوی دکتری گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.
2 - استادیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران (نویسنده مسؤول)
3 - کارشناس ارشد گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
کلید واژه: الگوریتم ملخ, مدل مارکویتز, بهینه‌سازی سبد سهام, بورس اوراق بهادار تهران.,
چکیده مقاله :
تعیین سبد بهینه‌ای از سهام در بورس اوراق بهادار جهت سرمایه‌گذاری‌های علمی و مهندسی‌شده از اهمیت بالایی برخوردار بوده و امروزه سرمایه‌گذاران در بورس‌های سراسر دنیا چنین هدفی را دنبال می کنند.از این جهت روش‌های مختلفی در راستای ایجاد سبد بهینه سهام پیشنهاد و عملیاتی شده است. هدف از این پژوهش انتخاب پرتفوی بهینه سهام با استفاده از الگوریتم فرا ابتکاری ملخ و مقایسه آن با مارکویتز در بورس اوراق بهادر تهران است. روش پژوهش، توصیفی- تحلیلی از نوع پس‌رویدادی است و یک پژوهش کاربردی محسوب می شود. جامعه آماری شامل کلیه‌ی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1394 تا 1399 بوده و نمونه‌ی پژوهش شامل 16 شرکت فعال‌تر بورس در طی دوره‌ی تحت بررسی می‌باشد. اطلاعات مالی شرکت‌های نمونه به روش اسنادکاوی در محیط اکسل استخراج و پس از تلخیص جهت تحلیل به‌منظور تعیین سبد بهینه سهام به روش‌های الگوریتم ملخ و مارکویتز استفاده‌شده است .نتایج نشان داد بر اساس کمترین ریسک، الگوریتم ملخ نسبت به مدل مارکویتز کاراتر است. لذا پیشنهاد می‌شود ، تشکیل سبد بهینه سهام برای سرمایه گذاران بر اساس الگوریتم ملخ انجام پذیرد.
Determining an optimal portfolio of stocks in the stock exchange for scientific and engineered investments is of great importance, and today investors in stock exchanges around the world pursue such a goal. For this reason, various methods have been proposed and implemented to create an optimal portfolio of stocks. The purpose of this research is to select an optimal portfolio of stocks using the Molekh meta-heuristic algorithm and compare it with Markowitz in the Tehran Stock Exchange. The research method is descriptive-analytical of post-event type and is considered an applied research. The statistical population includes all companies listed on the Tehran Stock Exchange during the years 2015 to 2019, and the research sample includes 16 of the most active companies on the exchange during the period under review. The financial information of the sample companies was extracted using document mining in Excel and after summarizing it, it was used for analysis to determine the optimal stock portfolio using the Grasshopper and Markowitz algorithms. The results showed that based on the lowest risk, the Grasshopper algorithm is more efficient than the Markowitz model. Therefore, it is suggested that the formation of an optimal stock portfolio for investors be based on the Grasshopper algorithm.
- Babajani, J., Taghva, M., Blue, G., & Abdollahi, M. (2019). Forecasting Stock Prices In Tehran Stock Exchange Using Recurrent Neural Network Optimized by Artificial Bee Colony Algorithm. Financial Management Strategy, 7(2), 195-228. doi: 10.22051/jfm.2019.21049.1714.[In Persian].
- Bayat, Ali, Asadi, Lida. (2016). Stock portfolio optimization: usefulness of birds algorithm and Markowitz model. Financial engineering and securities management. 8(32). 63-85.[In Persian].
- Khalili-Iraqi, Maryam. (2016). Choosing the optimal share price using optimal planning. Economic research. 6 (20) 214-193. [In Persian].
- Adebiyi, A., Ayo, C., Adebiyi, M.O., Otokiti, S.,( 2012). Stock price prediction using neural network with hybridized market indicators. J. Emerg. Trends Comput. Inf. Sci. 3 (1), 1–9.
- Anagnostopoulos, K. P., & Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37(7), 1285-1297.
- Chang, P.T. & Lee, J. H. (2014). “A Fuzzy DEA & Knapsack formulation integrated model for project selection”. Computer & Operation Research, 39, 112-125.
- Charles, P. Jones, A , 2012 , Investments: Analysis and Management , Wiley
- Chen, J.-S., Lin, Y.-T., (2009). A partitioned portfolio insurance strategy by a relational genetic algorithm. Expert Syst. Appl. 36(2), 727–734
- Saremi. S. Mirjalili,A. Lewis, A (2017) Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software. 105, 30-47
- Yang, J. Xu, J. woo, D. (2012) “A novel portfolio selection model in a hybrid uncertain environment”,omega the International Journal of Management Science, vol. 37, pp. 439-449
- Zhang, C., Zhu, W., Yang, S., 2007. Banking operational risk management on DS evidence theory. In: International Conference on Wireless Communications, Networking and Mobile Computing, 2007. WiCom 2007. IEEE, pp. 640–644.
