بررسی عملکرد الگوریتم GRASP درانتخاب پرتفوی بهینه ( با لحاظ محدودیت کاردینالیتی

محورهای موضوعی : اقتصاد مالی

میثم امیری ¹ (استادیار گروه مالی و بانکداری، دانشگاه علامه طباطبائی، تهران،ایران.)
محمدحسن ابراهیمی سروعلیا ² (استادیار گروه مالی و بانکداری ، دانشگاه علامه طباطبائی، تهران،ایران)
هما هاشمی ³ (کارشناس ارشد گروه مالی و بانکداری ، دانشگاه علامه طباطبائی، تهران،ایران)

تاریخ دریافت : 1399/01/20 تاریخ پذیرش : 1399/03/22 تاریخ انتشار : 1399/05/15

کلید واژه: الگوریتم فراابتکاری, الگوریتم جستجوی انطباق تصادفی حریصانه (GRASP), محدودیت کاردینالیتی, مدل مارکویتز. طبقه بندی JEL: G11,

چکیده مقاله :

در مساله بهینه سازی پرتفوی ، مدل مارکویتز همچنان به عنوان رویکرد غالب شناخته شده است اما چون محدودیت هایی که در دنیای واقعی نظیر محدودیت تعدادداراییهای سبد یا حداقل و حداکثر مقدار هریک از داراییها در این مدل درنظر گرفته نشده است، این مدل در حل مسائل دنیای واقعی بعضا ناتوان می باشد. به همین دلیل استفاده از الگوریتم های فراابتکاری با توجه به ویژگی های منعطفی که دارند میتوانند مفید واقع شوند. در پژوهش پیش رو از الگوریتم فراابتکاری به نام جستجوی انطباق تصادفی حریصانه(GRASP) برای رفع مشکل بهینه سازی پرتفوی با محدودیت کاردینالیتی (CCPO)استفاده شده استکه به جهت تطابق بیشتر با دنیای واقعی ، دو مجموعه محدودیت شامل محدودیتهای کف و سقف و محدودیت کاردینالیتی به مدل مارکویتز اضافه شده است . بررسی نتایج حاصل از بهینه سازی پرتفوی با الگوریتم GRASPبا نتایج مدل مارکویتز بر روی 199 شرکت طی دوره 5 ساله (1391-1395) ، در بورس اوراق بهادار تهران نشان می دهد براساس معیار شارپ در هر پرتفوی 5 ، 15 و30 شرکتی الگوریتم GRASP در بهینه سازی پرتفوی کاراتر از مدل مارکویتز عمل می کند.

منابع و مأخذ:

1)   افضل ، رهام ؛(1394) بهینه سازی سبد سهام بازارهای مالی با بکارگیری الگوریتم های کرم شبتاب و حرکت پرندگان کنفرانس بین المللی پژوهش های کاربردی در فناوری اطلاعات، کامپیوتر و مخابرات

2)   اشرفی ، مریم ؛ داوودپور، حمید (1386)زمانبندی جریان کارگاهی مختلط با زمان های آماده سازی وابسته به توالی با استفاده از الگوریتم GRASP ؛ دانشگاه صنعتی امیرکبیر، دانشکده مهندسی صنایع و سیستمهای مدیریت ،مهندسی صنایع

3)   ترابی ، سید احسان (1394) بهینه سازی به روش GRASP دانشکده ریاضی دانشگاه صنعتی شاهرود : پایان نامه کارشناسی ارشد

4)   دارابی  رویا ؛ وقفی  سید حسام، حبیب زاده  سید جواد و آهنگری مهناز(1394) انتخاب پرتفوی بهینه سهام در شرکت های پذیرفته شده در بورس اوراق بهادار تهران به روش ICDE، دانش مالی تحلیل اوراق بهادار، سال نهم ، شماره سی ویکم.

5)   رهنمای رودپشتی فریدون ، نیکومرام هاشم ، اشلقی عباس، حسین زاده لطفی  فرهاد و بیات  مرضیه (1394) بررسی کارایی بهینه سازی پرتفوی براساس مدل پایدار با بهینه سازی کلاسیک در پیش بینی ریسک و بازده پرتفوی ، مهندسی مالی و مدیریت اوراق بهادار، شماره بیست ودوم.

6)    Aranha, C.&Iba, H. (2009). The memtic Tree-based genetic algorithm and its application to portfolio optimization ,memtic computing,1(2),139-151.

7)    BLUM,Roli) 2003(Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison,

https://www.iiia.csic.es/~christian.blum/downloads/blum_roli_2003.pdf

8)    Chin Lwin ,RongQu ,2013, A hybrid algorithm for constrained portfolio selection problems, https://link.springer.com/article/10.1007/s10489-012-0411-7

9)    Deng, G.-F., Lin, W.-T., & Lo, C. C. (2012). Markowitz-based portfolio selection withcardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558–4566.

10) MAURICIO G.C. RESENDE AND CELSO C. RIBEIRO, GREEDY RANDOMIZED ADAPTIVE SEARCH PROCEDURES, 2003 ,Handbook of Metaheuristics pp 219-249

11) Milan Tuba,andNebojsaBacanin  (2014)  Artificial Bee Colony Algorithm Hybridized with Firefly Algorithm for Cardinality Constrained Mean-Variance Portfolio Selection Problem, Appl. Math. Inf. Sci. 8, No. 6, 2831-2844

12) Nebojsa Bacanin, Milan Tuba, 2015, Fireworks algorithm applied to constrained portfolio optimization problem,

http://ieeexplore.ieee.org/abstract/document/7257031/references

13) PAOLA FESTA AND MAURICIO G. C. RESENDE(2009) EFFECTIVE APPLICATION OF GRASP , mauricio.resende.info/doc/sgrasp-eff-appl.pdf

14) Seyed Mohammad Seyedhosseini, Mohammad JavadEsfahani, Mehdi Ghaffari(2016)A novel hybrid algorithm based on a harmony search and artificial bee colony for solving a portfolio optimization problem using a mean-semi variance approach, https://link.springer.com/article/10.1007/s11771-016-3061-9

15)  Woodside-Oriakhi, M., Lucas, C., & Beasley, J. E. (2011). Heuristic algorithms for thecardinality constrained efficient frontier. European Journal of Operational Research, 213(3), 538–550.

16)  Zhen Wang, YuelinGao, (2011). A balancing artificial bee colony algorithm for constrained optimization problems, ActaTechnica 62 No. 1A/2017, 371–380

 

یادداشت‌ها