بهینه سازی سبد سرمایه گذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان

محورهای موضوعی : دانش سرمایه‌گذاری

غلامرضا اسلامی بیدگلی ¹ , احسان طیبی ثانی ²

1 - دانشیار دانشکده مدیریت دانشگاه تهران
2 - دانشجوی دکتری دانشگاه تهران (مسئول مکاتبات)

تاریخ دریافت : 1392/04/12 تاریخ پذیرش : 1392/09/20 تاریخ انتشار : 1392/09/20

کلید واژه: ارزش در معرض ریسک (VaR), الگوریتم های فراابتکاری (Meta , الگوریتم مورچگان (Ant Colony o, الگوریتم ژنتیک (Genetic Algori,

چکیده مقاله :

تحقیق حاضر یک الگوریتم ابتکاری را برای حل مسأله محدود بهینه سازی سبد سهام با توجه به ارزش در معرض ریسک (VaR) به عنوان معیار ریسک و با استفاده از الگوریتم ترکیبی مورچگان و ژنتیک ارائه می دهد. در این تحقیق نشان داده خواهد شد که الگوریتم ترکیبی پیشنهادی قادر است مساله بهینه سازی سبد سهام را با توجه به معیار ارزش در معرض ریسک (VaR) با در نظرگرفتن محدودیت عدد صحیح برای تعداد سهام موجود در سبد سهام حل نماید. به منظور نشان دادن کارایی الگوریتم، از الگوریتم پیشنهادی در جهت بهینه سازی سبد سهامی از شاخص های صنایع موجود در بورس اوراق بهادار تهران استفاده گردیده است. نتایج حاصل از بکارگیری الگوریتم حاکی از آن است که الگوریتم ترکیبی درتمامی حالت های مورد بررسی در این تحقیق نتایجی بهتر از نتایج بدست آمده توسط الگوریتم ژنتیک به تنهایی بدست می آورد.

چکیده انگلیسی:

This paper presents a novel Meta-Heuristic method for solving an extended Markowitz Mean–Variance portfolio selection model. The extended model considers Value-at-Risk (VaR) as risk measure instead of Variance. Depending on the method of VaR calculation its minimizing methodology differs. if we use Historical Simulation which is applied in this paper then the curve would be non-convex. On the other hand the Mean-VaR model here includes three sets of constraints: bounds on holdings, cardinality and minimum return which cause a Mixed Integer Quadratic Programming Problem. The first set of constraints guarantee that the amount invested (if any) in each asset is between its predetermined upper and lower bounds. The cardinality constraint ensures that the total number of assets selected in the portfolio’s equal to a predefined number. Because of above mentioned reasons, in this paper, we propose a new Meta-Heuristic approach based on combined Ant Colony Optimization (ACO) method and Genetic Algorithm (GA). The computational results show that the proposed Hybrid Algorithm has the ability to optimized Mean-VaR portfolio for small portfolio