بررسی کارآمدی مدل‌های بهینه‌سازی الگوریتم ژنتیک چندهدفه و الگوریتم ازدحام ذرات تحت معیار ریسک ارزش در معرض خطر مشروط و میانگین نیم واریانس در تعیین سبد بهینه سهام

محورهای موضوعی : مهندسی مالی

داریوش آدینه وند ¹ (گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی،کرج، ایران.)
ابراهیم علی رازینی رحمانی ² (گروه مدیریت، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.)
محمود خدام ³ (گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.)
فریدون اوحدی ⁴ (گروه مهندسی صنایع، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.)
الهام سادات هاشمی‌زاده ⁵ (گروه ریاضی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.)

تاریخ دریافت : 1402/04/30 تاریخ پذیرش : 1402/08/15 تاریخ انتشار : 1402/09/16

کلید واژه: الگوریتم ژنتیک, بهینه‌سازی, الگوریتم ازدحام ذرات, میانگین نیم واریانس و ارزش در معرض خطر مشروط,

چکیده مقاله :

هدف: انتخاب سبد بهینه سهام تخصیص سرمایه در بین موقعیت‌های مختلف سرمایه‌گذاری در بازار سهام برای رسیدن به حداکثر بازده در سطح معینی از ریسک می‌باشد. این یک سبد کارا است.روش‌شناسی پژوهش: روش دستیابی به یک سبد کارا مستلزم حل مسئله بهینه‌سازی می‌باشد. تکنیک و ابزارهای متعددی برای حل این مسئله وجود دارد. در این پژوهش با استفاده از روش نمونه‌گیری خوشه‌ای، تعداد 15 سهم از شرکت‌های پذیرفته‌شده در سازمان بورس اوراق بهادار تهران شامل نمادهای خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت انتخاب شدند. ابتدا بازده این سهام به‌صورت روزانه در بازه زمانی 1394 - 1399 طی 5 سال به مدت 1183 روز محاسبه کرده و با استفاده از مدل‌های ریسک میانگین نیم واریانس و ارزش در معرض خطر مشروط، ریسک سبد بهینه سرمایه‌گذاری آنها محاسبه می‌شوند و این دو معیار از روش حل کلاسیک با هم مقایسه می‌شوند. سپس خروجی داده‌های به‌دست‌آمده از محاسبات با استفاده از نرم‌افزار متلب با معیار الگوریتم ازدحام ذرات تحت معیار ریسک میانگین نیم واریانس و الگوریتم ژنتیک تحت معیار ریسک ارزش در معرض خطر مشروط با هم مقایسه می‌شوند.یافته‌ها: نتایج به‌دست‌آمده در این پژوهش نشان می‌دهد که روش فراابتکاری الگوریتم ازدحام ذرات در مقایسه با روش الگوریتم ژنتیک نسبت بازدهی سبد سهام بیشتری در معیار ریسک میانگین نیم واریانس را دارد.اصالت / ارزش‌افزوده علمی: در این پژوهش جهت حداقل‌کردن مقدار تابع هدف با استفاده از معیار ارزش در معرض خطر مشروط و میانگین نیم واریانس از الگوریتم‌های ژنتیک چندهدفه و ازدحام ذرات که الگوریتم‌های هوشمند و جدیدی هستند، استفاده شده است که نسبت‌های بازدهی و ریسک سهام موجود در سبد سرمایه‌گذاری را با بالاترین دقت ممکن بهینه می‌نمایند. همچنین مقایسه کارآمدی این مدل‌ها با استفاده از نرم‌افزار متلب موضوع نوآوری را در این پژوهش را ایجاد کرده است.

چکیده انگلیسی:

Objective: The goal is to select an optimal portfolio of stocks by allocating capital among various investment opportunities in the stock market to achieve maximum return at a specified level of risk. This constitutes an efficient portfolio.Research Methodology: Attaining an efficient portfolio involves solving an optimization problem. There are numerous techniques and tools available to solve this issue. In this study, 15 stocks from companies listed on the Tehran Stock Exchange, including symbols such as Khapars, Khazamiya, Vepasar, Foulad, Akhabar, Kegel, Femli, Tapiko, Sepaha, Fazer, Fakhas, Shohbaran, Shefan, Qamro and Qathabat, were selected using cluster sampling. First, the daily returns of these stocks were calculated over a 5-year period from 2015 to 2020 (1183 days). The risk of the optimal investment portfolio was then calculated using the Mean-Semi Variance and Conditional Value at Risk models. These two criteria were compared using a classic solution method. Subsequently, the output data obtained from these calculations were compared using MATLAB software, employing the Particle Swarm Optimization algorithm under the Mean-Semi Variance risk criterion and the Genetic Algorithm under the Conditional Value at Risk criterion.Findings: The results of this study indicate that the meta-heuristic Particle Swarm Optimization method yields a higher portfolio return ratio compared to the Genetic Algorithm in the Mean-Semi Variance risk criterion.Originality / Value: This research utilizes multi-objective genetic algorithms and Particle Swarm Optimization, which are intelligent and novel algorithms, to minimize the objective function value using Conditional Value at Risk and Mean-Semi Variance criteria. These algorithms optimize the return and risk ratios of the stocks in the investment portfolio with the highest possible accuracy. Additionally, the efficiency comparison of these models using MATLAB software contributes an innovative aspect to this study.

منابع و مأخذ:

Ahmadi, R., Azar, A., & zomorodianS, G. R. (2023). Relationship between risk and risk - aversion utility Based on Multi-Period prospect theory. Journal of Investment Knowledge, 12(46), 533-558. [In Persian]

Bahri Sales, J., Pakmaram, A., & Valizadeh, M. (2018). Selection and Portfolio Optimization by Mean–Variance Markowitz Model and Using the Different Algorithms. Financial Knowledge of Securities Analysis, 11(37), 43-53. [In Persian]

Bayat, A., & Asadi, L. (2017). Stock Portfolio optimization: Effectiveness of particle swarm optimization and Markowitz model. Financial Engineering and Portfolio Management, 8(32), 63-85. [In Persian]

Ebadati, O. M., Jafari, M. A., & Davoodifar, N. (2022). Forecasting Stocks in the Financial Market by Using GA-SVM Hybrid Algorithm. Advances in Finance and Investment, 2(5), 1-22. [In Persian]

Karimi, A., & Goodarzi Dahrizi, S. (2020). Stock portfolio optimization using Imperialist Competitive Algorithm (ICA) and Particle Swarm Optimization (PSO) under Conditional Value at Risk (CVaR). Financial Engineering and Portfolio Management, 11(45), 423-444. [In Persian]

Li, X., Li, B., Jin, T., & Zheng, P. (2023). Uncertain random portfolio optimization with non-dominated sorting genetic algorithm-II and optimal solution criterion. Artificial Intelligence Review, 1-36.‏

Maringer, D. G. (2005). Portfolio management with heuristic optimization. Springer Science & Business Media, 8.‏

Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91.

Merikh Bayat, F. (2012). Optimization algorithms inspired by nature. National Academy of Sciences (NAS). [In Persian] 

Mishra, S., Sahoo, S., & Das, M. (2017). Genetic algorithm: an efficient tool for global optimization. Adv. Comput. Sci. Technol, 10(8), 2201-2211.‏

Molaei, M. A., & Talebi, A. (2010). Application Investigation of Genetic- Nelder-Mead Hybridized-Heuristic Algorithm in Portfolio Optimization. Journal of Iran's Economic Essays (JIEE), 7(14), 171-204. [In Persian]

Raei, R., & Jahromi, M. (2012). Portfolio optimization using a hybrid of fuzzy ANP, VIKOR and TOPSIS. Management Science Letters, 2(7), 2473-2484.‏

Raei, R., & Saeedi, A. (2013). Fundamentals of Financial Engineering and Risk Management. The Organization for Researching and Composing Universiry Texbooks in the Islamic Sciences and the Humanities (SAMT). [In Persian]

Rahimi, R., & Akbari, A. (2023). Stock portfolio optimization with different algorithms. Journal of Accounting and Management Vision, 6(79), 48-55. [In Persian]

Rahnama Roudposhti, F., Nikumram, H., Toloui Ashlaghi, A., Hosseinzadeh Lotfi, F., & Bayat, M. (2015). Investigating the effectiveness of portfolio optimization based on the stable model with classical optimization in predicting portfolio risk and return. Financial Engineering and Portfolio Management, 6(22), 29-60. [In Persian]

Shahhoseini, M., Mousavi, Mirkalai S. M., & Mollajafari, M. (2012). Volutionary Algorithms: Fundamentals, Applications, Implementation. Alam and Sanat Publishing. [In Persian]

Willadsen, T. G., Bebe, A., Køster-Rasmussen, R., Jarbøl, D. E., Guassora, A. D., Waldorff, F. B., ... & Olivarius, N. D. F. (2016). The role of diseases, risk factors and symptoms in the definition of multimorbidity–a systematic review. Scandinavian journal of primary health care, 34(2), 112-121.‏

Yamai, Y., & Yoshiba, T. (2002). On the validity of value-at-risk: comparative analyses with expected shortfall. Monetary and economic studies, 20(1), 57-85.‏