بررسی کارآمدی مدل‌های بهینه ‌سازی فرا ابتکاری الگوریتم ژنتیک چندهدفه تحت معیار ریسکMSV و الگوریتم ازدحام ذرات تحت معیار ریسکCVaR در تعیین سبد سهام شرکت‌های پذیرفته شده در سازمان بورس اوراق بهادار

محورهای موضوعی : اقتصاد مالی

داریوش آدینه وند ¹ , ابراهیم علی رازینی ² , محمود خدام ³ , فریدون اوحدی ⁴ , الهام سادات هاشمی زاده ⁵

1 - گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی،کرج،ایران
2 - گروه مدیریت، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
3 - گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج ،ایران
4 - گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.(
5 - گروه ریاضی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران

تاریخ دریافت : 1402/07/13 تاریخ پذیرش : 1402/09/16 تاریخ انتشار : 1402/10/01

کلید واژه: الگوریتم ازدحام ذرات, الگوریتم زنتیک, واژه‌های کلیدی: بهینه‌سازی, ارزش در معرض خطر مشروط و میانگین- نیم واریانس. طبقه بندی JEL : M42 ‎, ‎ M52‎‏ ‏,

چکیده مقاله :

چکیده انتخاب سبد سهام بهینه از اهداف اصلی مدیریت سرمایه است. امروزه ابزارها و تکنیک‌های متعددی برای اندازه‌گیری ریسک سبد سرمایه‌گذاری و انتخاب سبد سهام بهینه ارائه شده است. در این مقاله، با استفاده از داده های 15 سهم که با روش نمونه‌گیری هدفمند از شرکتهای برتر سازمان بورس اوراق بهادار تهران انتخاب شده‌اند که شامل خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت هستند، ابتدا بازده این سهام بصورت روزانه در بازه زمانی31/3/1394-31/3/1399 طی 5 سال به مدت 1183 روز محاسبه می‌شوند و سپس با استفاده از نرم افزار متلب مدل‌های بهینه سازی فرا ابتکاری الگوریتم ژنتیک چند هدفه تحت معیار ریسکMSV و الگوریتم ازدحام ذرات تحت معیار ریسکCVaR با هم مقایسه می‌شوند. نتایج نشان می‌دهد که مدل‌ الگوریتم ژنتیک چند هدفه تحت معیار ریسک MSV دارای بازده بیشتر و ریسک کمتری می باشد، در نتیجه مدل‌ الگوریتم ژنتیک تحت معیار ریسک MSV از مدل الگوریتم ازدحام ذرات تحت معیار ریسک CVaR کارآمدتر می‌باشد.

چکیده انگلیسی:

Abstract Choosing the optimal stock portfolio is one of the main goals of capital management. Today, There are several tools and techniques for measuring portfolio risk and selecting the optimal stock portfolio. In this article, using data of 15 shares selected by purposeful sampling method from the top companies of Tehran Stock Exchange Organization including; PKOD, ZMYD, BPAS, FOLD, MKBT, GOLG, MSMI, PTAP, SSEP, AZAB, FKAS, NBEH, PFAN, GMRO and GSBE, the First return of these stocks are calculated daily in the period of 31/3/1394 -31/3/1399 for 5 years for 1183 days and then using MATLAB software models The Metaheuristic Optimization of the Genetic Algorithm under the MSV Risk Criterion and the Particle Swarm Algorithm under the CVaR risk Criterion are Compared. The results show that the genetic algorithm model under MSV risk criterion is more efficient and less risky, therefore the genetic algorithm model under MSV risk criterion is more efficient than the particle swarm algorithm model under CVaR risk criterion.

منابع و مأخذ:

فهرست منابع

• ابونوری، اسمعیل، تهرانی، رضا و شامانی، مسعود (1397). عملکرد پورتفولیوهای مبتنی بر ریسک تحت شرایط مختلف در بازار سهام. اقتصاد مالی، (45)12، 51-57.


• بیات، علی و اسدی، لیدا (1396). بهینه­سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکویتز. مهندسی مالی و مدیریت اوراق بهادار، (32)8، 63-85.


• راعی، رضا و سعیدی، علی (1392). مبانی مهندسی مالی و مدیریت ریسک. چاپ هفتم. تهران: نشر سمت، ایران.


• رهنمای رودپشتی، فریدون، نیکو مرام، هاشم، طلوعی اشلقی، عباس، حسین زاده لطفی، فرهاد و بیات، مرضیه (1394). بررسی کارایی بهینه­سازی پرتفوی بر اساس مدل پایدار با بهینه­سازی کلاسیک در پیش­بینی ریسک و بازده پرتفوی. مهندسی مالی و مدیریت اوراق بهادار، (22)6، 29-59.


• شهریارشاه­حسینی، هادی­، موسوی ­­میرکلائی، سیدمحمدرضا و ملاجعفری، مرتضی (1396). الگوریتم­های تکاملی مبانی،کاربردها، پیاده­سازی، چاپ دوم. تهران: انتشارات علم و صنعت، ایران.


• کریمی، آرزو (1400). بهینه‌­سازی سبدسهام با استفاده از الگوریتم ژنتیک چند هدفه (NSGA II) و ماکزیمم نسبت شارپ. مهندسی مالی و مدیریت اوراق بهادار، (46)12، 389-410.


• نیکخو، حافظ، رحمانی، تیمور و خلیلی، فرزانه (1401). نا اطمینانی اقتصادکلان و تصمیمات سرمایه‌گذاری بانک‌ها .اقتصاد مالی، (58)16، 22-1.


• مریخ­ بیات، شاهرخ (1393). الگوریتم­های بهینه سازی الهام گرفته از طبیعت، چاپ دوم. تهران: نشر نص، ایران.


• مولایی، محمدعلی و طالبی، آرش (1389). بررسی کاربرد الگوریتم ابتکاری ترکیبی ژنتیک و نِلدر مید در بهینه سازی پورتفوی. دوفصلنامه جستارهای اقتصادی ایران با رویکرد اقتصاد اسلامی، (14)7، 171-204


• میزبان، هدیه­السادات، افچنگی، زهرا، احراری، مهدی، آروین، فرشاد و سوری، علی (1391). بهینه­سازی سبدسهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه­گیری ریسک. اقتصاد مالی، (19)6، 205-227.

• Aouni, B. (2009). Multi-attribute portfolio selection: New Perspectives, INFOR: Information Systems and Operat. Scientometrics, 47(1), 1-4. Doi: https://doi.org/10.3138/infor.47.1.1.


• Campbell, R., Huisman, R. & Koedijk, K. (2001). Optimal portfolio selection in a Value-at-Risk framework, Journal of Banking & Finance. Scientometrics, 25(9), 1789-1804.


• Cura, Tunchan. (2009). Particle swarm optimization approach to portfolio optimization. Nonlinear Analysis: Real World Applications. Scientometrics, 10, 2396– 2406.


• Maringer, Dietmar G. (2005). Portfolio Management with Heuristic Optimization.


• https://www.springer.com/gp/book/9780387258522#aboutAuthors


• Markowitz, H. (1952), Portfolio Selection, Journal of Finance, Scientometrics, 7(1), 77-91.


• Raei, R., & Bahrani Jahromi, M. (2012). Portfolio optimization using a hybrid of fuzzy ANP, VIKOR and TOPSIS, Management Science Letters, Scientometrics, 2, 2473–2484. Doi: 10.5267/j.msl.2012.07.019.


• G.Willadsen., A. Bebe., R.K-Rasmussen. & D. E. Jarbøl. (2016). the role of diseases, risk factors and symptoms in the definition of multimorbidity–a systematic review”Scandinavian Journal of Primary Health Care. Scientometrics, 34, 1-10. DOI: 10.3109/02813432.2016.1153242


• Sushruta, Mishra., Soumya, Sahoo. & Mamata. Das. (2017), Genetic Algorithm: An Efficient Tool for Global, Advances in Computational Sciences and Technology. Scientometrics, 10(8), 2201-2211, ISSN 0973-6107.


• Wei, S. Z. (2015). Multi-period Optimization Portfolio with Bankruptcy Control in Stochastic Market. Applied Mathematics and Computation. Scientometrics, 186(15), 414–425.