تحلیل کارایی الگوریتم‌های فراابتکاری در بهینه‌سازی سبد سهام
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
سینا شیرطوانی
1
(دانشجوی دکتری، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)
مهدی همایونفر
2
(استادیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه ازاد اسلامی، رشت، ایران)
کیهان آزادی
3
(گروه حسابداری ، دانشکده مدیریت حسابداری، دانشگاه آزاد اسلامی واحد رشت، رشت، ایران)
امیر دانشور
4
(استادیار گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران)
کلید واژه: بهینه‌سازی, سبد سهام, الگوریتم‌های فراابتکاری, الگوریتم ژنتیک, الگوریتم کلنی مورچگان,
چکیده مقاله :
مهم‌ترین هدف هر سرمایه‌گذار در بازار بورس افزایش بازده و کاهش ریسک سرمایه‌گذاری است. لذا هدف از اجرای این پژوهش تحلیل کارایی الگوریتم‌های فراابتکاری در بهینه‌سازی سبد سهام می باشد. نظر به اینکه در این تحقیق، عملکرد گذشته شرکتهای بورس اوراق بهادار تهران در مطالعات گذشته از سال 1390-1399 مورد بررسی قرار میگیرد، بنابراین پژوهش حاضر از لحاظ طرح تحقیق، پس رویدادی با استفاده از تکنیک‌های دلفی و فراتحلیل بود.جامعه آماری پژوهش حاضر محققین دانشگاهی در زمینه مالی و فعال در بورس اوراق بهادار تهران بوده و شیوه نمونه‌گیری در این پژوهش هدفمند با حجم 30 نفر در نظر گرفته شد.ابزار جمع‌آوری اطلاعات پرسشنامه محقق‌ساخته بوده است. شیوه گردآوری اطلاعات مصاحبه ساختاریافته از محققین و مرور نتایج حاصل از مطالعات مختلف در زمینه تعیین سبد بهینه سهام در بورس اوراق بهادار تهران بوده است. به منظور تجزیه و تحلیل اطلاعات از نرم افزار Spss نسخه 23 و لیزرل نسخه 5/7 شد. نتایج نشان داد از میان الگوریتم‌های فراابتکاری الگوریتم ژنتیک، کلونی مورچگان و کلونی زنبور عسل مناسب‌ترین ابزار با هدف عدم توقف در نقاط بهینه محلی و عدم همگرایی زودرس هستند. در نهایت بعد از ارزیابی الگوریتم‌های مناسب، مقایسه میانگین ریسک و بازده سبد سهام در الگوریتم‌های ژنتیک، کلونی مورچگان و کلونی زنبور عسل در واحد مطالعات صورت گرفته، نشان دادند به لحاظ معیار کاهش ریسک الگوریتم‌های ژنتیک و زنبور عسل و در خصوص افزایش بازده سبد بهینه سهام الگوریتم زنبور عسل کاراتر عمل نموده است.
The most important goal of every investor in the stock market is to increase returns and reduce investment risk. Therefore, the purpose of this research is to analyze the effectiveness of meta-heuristic algorithms in stock portfolio optimization. Considering that in this research, the past performance of Tehran Stock Exchange companies is examined in past studies from 1390-1399, therefore, in terms of the research design, this research was post-event using Delphi and meta-analysis techniques. The statistical community of this research Academic researchers in the field of finance and active in the Tehran Stock Exchange, and the sampling method in this research was targeted with a volume of 30 people. The data collection tool was a researcher-made questionnaire. The method of collecting information was structured interview of researchers and review of the results of various studies in the field of determining the optimal stock portfolio in Tehran Stock Exchange. In order to analyze the data, Spss software version 23 and Laserl version 5.7 were used. The results showed that among meta-heuristic algorithms of genetic algorithm, ant colony and bee colony are the most suitable tools with the aim of not stopping at local optimal points and not premature convergence. Finally, after evaluating the appropriate algorithms, a comparison of the average risk and returns of the stock portfolio in genetic algorithms, ant colony and bee colony was done in the study unit, they showed that in terms of the criteria of reducing the risk of genetic and bee algorithms and in terms of increasing the return of the optimal portfolio Stock bee algorithm has worked more efficiently.
Aouni, B. (2009). Multi-attribute portfolio selection: New Perspectives. INFOR: Information Systems and Operational Research, 47(1), 1-4. Doi:org/10.3138/infor.47.1.1.
Dewandaru, G., Masih, R., Bacha, O. I., & Masih, A. M. M. (2014). Combining momentum, value, and quality for the Islamic equity portfolio: Multi-style rotation strategies using augmented Black Litterman factor model. Pacific-Basin Finance Journal, 34, 205-232. Doi.org/10.1016/j.pacfin.2014.12.006
Doering, J., Kizys, R., Juan, A. A., Fitó, À, & Polat, O. (2019). Metaheuristics for rich portfolio optimisation and risk management: Current state and future trends. Operations Research Perspectives, 6, 100121. Doi.org/10.1016/j.orp.2019.100121
Dorigo, M., & Gambardella, L. M. (1991). Ant Colony System: A Cooperative Learning Approach to the Travelling Salesman Problem. IEEE Trans. Evol. Comp, 1, 53-66. DOI: 10.1109/4235.585892
Ghandehari, M., Azar, A., Yazdanian, A. R., & Golarzi, G. (2019). A Hybrid Model of Stochastic Dynamic Programming and Genetic Algorithm for Multistage Portfolio Optimization with GlueVaR Risk Measurement. Industrial Management Journal, 11(3), 517-542.
Geem, Z.W., Kim, J. H., & Lognathan, G. V. (2001). A Heuristic optimization algorithm. Harmony search.Simulation, 76(1), 60-68, DOI:10.1177/003754970107600201.
Gilli, M., & Schumann, E. (2012). Heuristic optimisation in financial modelling. Annals of operations research, 193(1), 129-158. DOI:10.1007/s10479-011-0862-y.
Holland, J. H. (1975). Adaptation in natural and artificial systems, univ. of Mich. Press. Ann Arbor. DOI:10.4236/ajc.2015.31003
Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization- Technical Report TR06. Engineering Faculty, Computer Engineering Department, 10.
Eberhart, R. C., Shi, Y., & Kennedy, J. (2001). Swarm intelligence. Elsevier.
Mahmoudi, A., Hashemi, L., Jasemi, M., & Pope, J. (2020). A comparison on particle swarm optimization and genetic algorithm performances in deriving the efficient frontier of stocks portfolios based on a mean‐lower partial moment model. International Journal of Finance & Economics, 26(4), 5659-5665.
Miryekemami, S., Sadeh, E., & Sabegh, Z. (2017). Using Genetic Algorithm in Solving Stochastic Programming for Multi-Objective Portfolio Selection in Tehran Stock Exchange. Advances in Mathematical Finance and Applications, 2(4), 107-120. Doi: 10.22034/AMFA.2017.536271.
Qu, B. Y., & Suganthan, P. N. (2011). Constrained multi-objective optimization algorithm with an ensemble of constraint handling methods. EngineeringOptimization, 43(4), 403-416. https://doi.org/10.1080/0305215X.2010.493937
Simon, D. (2013). Evolutionary Optimization Algorithms: Biologically-Inspired and Population-Based Approaches to Computer Intelligence. Hoboken: Wiley. Doi: 978-0-470-93741-9
Yang, X. S. (2008). Nature Inspird Metaheuristic Algorithms. Luniver Prees. Doi: 978-1-905986-10-1
Abadian, M., & Shajari, H. (2017). Multi-criteria method for selecting the optimal stock portfolio using fundamental analysis variables in petrochemical companies. Journal of Financial Engineering and Securities Management, 26 (23), 1-25. [In Persian]
Ehsanifard, A., Sarvars, J., & Mosallnejhad, A. (2017). Trans-innovation algorithms in stock portfolio optimization. Fifth International Conference on Computer. Electrical and Electronics Engineering. [In Persian]
Bahri sales, J., Pakmaram, A., & Valizadeh, V. (2020). Selection and optimization of stock portfolio using Markowitz mean variance method using different algorithms. Journal of Securities Analysis (Financial Studies), 11 (37), 43-57. [In Persian]
Pakmaram, A., bahri sales, J., & Valizadeh, V. (2017). Selection and optimization of stock portfolio using genetic algorithm, using Markowitz mean-half variance model. Quarterly Journal of Financial Engineering and Securities Management, 31(31), 42-19. [In Persian]
Haddadi, M., Name, R., & Tafi, F. (2022). Stock portfolio optimization with MAD and CVaR criteria by comparing classical and meta-innovative methods. Quarterly Journal of Financial Engineering and Securities Management, 12(47), 533-514. [In Persian]
Heydari, M. S., Walidi, J., & Ebrahimi, S. B. (2022). Stock portfolio optimization based on robust feasibility planning model using genetic algorithms and mixed frog mutation. Quarterly Journal of Financial Engineering and Securities Management, 12 (47), 586-564. [In Persian]
Khajehzadeh, S., Shahverdiani, Sh., Daneshvar, A., & Madanchizaj, M. (2021). Predicting the optimal portfolio of stocks Markov meta-heuristic algorithm approach and decision process. Journal of Decision Making and Operations Research, 5(4), 545-526. [In Persian]
Davoodi, S. M., & Sadri, A. (2019). Comparison of meta-heuristic algorithms in presenting the optimal model of multi-period stock portfolio based on the criterion of risk value. Journal of the Stock Exchange, 41(10), 152-121. [In Persian]
Roodpashti Guide, F., Nicomram, H., Toloui Ashlaghi, A., Hosseinzadeh Lotfi, F., & Bayat, M. (2016). Evaluation of portfolio optimization efficiency based on sustainable model with classical optimization in predicting portfolio risk and return. Journal of Financial Engineering and Securities Management (Portfolio Management), 6 (21), 59-29. [In Persian]
Ranjbari Wahid, M. H., Sadeghi Sharif, J., Eivozlu, R., & Mehr Arara, M. (2018). Optimization and active management of a stable investment portfolio using the bee colony algorithm; Case study: Tehran Stock Exchange. Journal of Financial Engineering and Securities Management, 11 (43), 332-313. [In Persian]
Sinai, H. A., and Zamani, S. (2015). Deciding to select a stock portfolio comparing genetic and bee algorithms. Journal of Executive Management, 6 (11), 125-105. [In Persian]
Qasemi, J., and Farzad, S. (2019). Predicting the risk of stock price falls using meta-innovative methods (particle cumulative motion optimization algorithm) and comparison with logistic regression. Journal of Financial Engineering and Securities Management, 2 (36), 119-105. [In Persian]
Najafi, A., and Musicians, S. (2015). Modeling and presenting the optimal solution for optimizing a multi-period portfolio with genetic algorithm. Journal of Financial Engineering and Securities Management, 21(10), 35-13. [In Persian]
Homayounfar, M., Daneshvar, A., & Rahmani, J. (2019). Development of meteorological-genetic algorithms and PBILDE for stock portfolio optimization in Tehran Stock Exchange. Journal of Financial Engineering and Securities Management, 9(34), 381-404. [In Persian]
