بهینه‌سازی سبد سهام با استفاده از الگوریتم تکامل تفاضلی و رویکرد ارزش در معرض ریسک مشروط
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
شاهین رامتین نیا
1
(کارشناس ارشد رشته مهندسی مالی دانشگاه تهران، تهران، ایران)
رومینا عطرچی
2
(کارشناس ارشد رشته مهندسی مالی دانشگاه تهران، تهران، ایران)
کلید واژه: بهینه‌سازی سبد سهام, روش تکامل تفاضلی, ارزش در معرض ریسک مشروط, ریسک, بازدهی,
چکیده مقاله :
انتخاب یک سبد سهام به منظور بیشینه‌سازی سود، یکی از دغدغه‌های مهم سرمایه‌گذاران خرد و نهادی در بازارهای مالی جهان است. ازاین‌رو، بهینه‌سازی دارایی‌های مالی به صورتی کارا و مطمئن، یکی از مهم‌ترین موضوعات جدید در مباحث مالی است که با بهره‌گیری از رویکردهای نوین از سایر علوم، سعی در بهبود عملکرد تشکیل سبد دارایی‌ها دارد. بر این اساس در این تحقیق با استفاده از رویکرد حداقل سازی ریسک سبد دارایی‌های مالی با قید بیشترین مقدار بازدهی بر اساس رویکرد ارزش در معرض ریسک مشروط و الگوی الگوریتم تکامل تفاضلی به بهینه‌سازی بازدهی شاخص 10 شرکت برتر بورس اوراق بهادار تهران در طی دوره 1390 تا 1394 به‌صورت ماهانه پرداخته‌شده است. نتایج نشان می‌دهد که رویکرد تکامل تفاضلی با استفاده از ارزش در معرض ریسک مشروط نسبت به رویکرد ساده در الگوریتم تصادفی دارای نسبت شارپ و نسبت بازدهی به مقدار ارزش در معرض ریسک مشروط بهتر بوده و در بررسی نتایج پس آزمایی با رویکرد ماهانه نیز معیارهای انتخاب سبد دارایی بهینه در این روش، نسبت به رویکرد الگوریتم تصادفی دارای شرایط مناسب‌تری است.
Portfolio selection, in order to maximize the profit from investment, is an important concern for minor and institutional investors.Therefore; efficient and secure optimization of financial assets is one of the most important new and modern, financial topics, trying to improve the portfolio performance using modern approaches of other sciences. Accordingly, this article aimed to optimize the index returns of top 10 companies of Tehran Stock Exchange from 2011 to 2015 using portfolio risk minimization approach with the maximum yield according to conditional value at risk and differential evolution algorithm(DE-CVaR) on a monthly basis. The results showed that differential evolution algorithm with the conditional value at risk approach, had better Sharpe and returns ratios by CVaR value compared to the random algorithm. The results of posttest with monthly approach also showed that DE-CVaR was better than random algorithm in terms of the criteria for selecting the optimal portfolio.
* اهری، دیار (1388)، پورتفولیو بهینه از طریق معیار ارزش در معرض ریسک: بکارگیری الگوریتم بهینه‌سازی اجتماع ذرات، پایان نامه کارشناسی ارشد، دانشگاه تهران.
* جباری، رامین. صالحی صدقیانی، جمشید. امیری، مقصود (1391). ارزیابی عملکرد و انتخاب پرتفوی از صندوق‌های سرمایه‌گذاری سهام، تحقیق در عملیات و کاربردهای آن، شماره 32، صفحه 1-19.
* رادپور، میثم، عبده تبریزی، حسین (1388). اندازه گیری و مدیریت ریسک بازار- چاپ اول – انتشارات آگاه
* راعی، رضا. علی بیگی، هدایت (1388). بهینه‌سازی پرتفوی سهام با استفاده از روش حرکت تجمعی ذرات، تحقیقات مالی، دوره 12، شماره 29، صفحه 21-40.
* رضایی بندری، عباس. آذر، عادل. رعیتی شوازی، علیرضا (1390). به‌کارگیری الگورتیم ژنتیک برای انتخاب پرتفولیوی بهینه‌ای با اهداف غیرخطی (بورس اوراق بهادار تهران)، پژوهش‌های اقتصادی ایران، شماره 48، صفحه 109-134.
* گرکز، منصور. عباسی، ابراهیم. مقدسی، مطهره (1389). انتخاب و بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک بر اساس تعاریف متفاوتی از ریسک، فصلنامه مدیریت صنعتی دانشکده علوم انسانی دانشگاه آزاد اسلامی واحد سنندج، صفحه 115-136.
* مدرس، احمد. محمدی استخری، نازنین (1386). انتخاب یک سبد سهام از بین سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه سازی الگوریتم ژنتیک، توسعه و سرمایه، شماره 1، صفحه 71-92.
* نویدی، حمیدرضا. نجومی مرکید، احمد. میرزا زاده، حجت (1388). تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های ژنتیک، تحقیقات اقتصادی، شماره 89، صفحه 243-262.
* Arnone, S. Loraschi, A. &Tettamanzi, A(1993), A Genetic Approach to Portfolio Selection, Neural Network World, No. 6, pp. 597–604.
* Fabio D. Freitasa., Alberto F. De Souzab.,-Ailson R. de Almeidac (2007), Prediction-Based Portfolio Optimization Model Using Neural Networks, Lattice Computing and Natural Computing, p.p.2155-2170.
* Fernandez, A. Gomez, S (2007), Portfolio Selection Using Neural Networks, Computer&Operation Research, p.p. 1177-1191.
* Gaivoronski, A. Pflug, G. (2005), Value at Risk in Portfolio Optimization: Properties and Computational Aapproach, Journal of Risk, p.p.1-31.
* Guang-Feng, Deng. Woo-Tsong, Lin (2010), Ant Colony Optimization for Markowitz Mean-Variance Portfolio Model.”, Swarm, Evolutionary and Memetic Computing Lecture Notes in Computer Science, 245, p.p. 6466-238.
* Jia, J.Dyer, J. S (1996), A Standard Measure of Risk and Risk-Value Models, Management Science, p.p.1691-1705.
* Kennedy, J. (1997), the particle Swarm, Social adaptation of knowledge, p.p.303-308.
* Kennedy, J.Eberhart, R(1995), A New Optimizer Using Particle Swarm Theory, In Sixth international symposium on micro machine and human scienc., p.p.43-39.
* Ozsoydan, Fehmi Burcin, Sarac,Tugba, (2011), A Discrete Particle Swarm Optimization Algorithm for Bicriteria Warehouse Location problem Istanbul University Econometrics & Statistics e-Journal, 13, p.p. 114-124.
* Konno, H(2003), Portfolio Optimization of Small Fund Using Mean-Absolute Deviation Model, International Journal of Theoretical and Applied Finance, p.p. 403-418.
* Konno, H. Koshizuka, T. (2005), Mean-Absolute Deviation Model, IIE Transactions, p.p.893-900.
* Konno, H.Yamazaki, H. (1991), Mean-Absolute Deviation Portfolio Optimization Model and its Applications to Tokyo Stock Market, Management Science, p.p.519-531.
* Lai, king keung, leanYu, Shouyang, Wang, Chengxiong, Zhou(2006), A Double-Stage Genetic Optimization, ICONIP'06 Proceedings of the 13th international conference on Neural information processing, p.p. 928-937.
* Loraschi, A. Tettamanzi, A. Tomassini, M. Svizzero, C. Scientifico, C.Verda, P. (1995), Distributed Genetic Algorithms with An Application to Portfolio Selection Problems, in: artificial neural networks and genetic algorithms, Berlin, Springer-Verlag, p.p.384-387.
* Markowitz, H. M. (1952), Portfolio Selection, the Journal of Finance, p.p. 77-91.
* Markowitz, H.M. (1959), Portfolio selection: Efficient diversification of investments; John Wiley & Sons.
* Paterlini, S.Krink, T. (2006), Differential Evolution and Particle Swarm Optimization in Partitional Clustering.” Computational Statistics and Data Analysis, No.50, p.p. 1220-1247.
* Ratnaweera, A. Halgamuge, S.Watson, H. (2004), Self-Organizing Hierarchical Particle Swarm Optimizer with Time-Varying Acceleration Coefficients, Transactions on Evolutionary Computation, No. 8, p.p. 240-255.
* Rolland, E. (1996), A Tabu Search Method for Constrained Real-Number Search:Applications to Portfolio Selection,Technical Report, Department of Accounting and Management Information Systems, Ohio State University, Columbus.
* Sharpe, W.F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(3), pp. 425–442.
* Shi, Y.Eberhart, R. (1998), A Modified Particle Swarm Optimizer, IEEE world congress on computational intelligence, p.p.69-7s3.
* Tehran Securities Exchange Technology Management Co http://www.tsetmc.com
* Tehran Stock Exchange http://www.irbourse.com
* Tun-Jen, Chang. Sang-Chin, Yang. Kuang-Jung, Chang (2009), Portfolio Optimization Problems in Different Risk Measures Using Genetic Algorithm, Expert Systems with Applications, p.p. 10529-10537.
* Cura, T. (2009), Particle Swarm Optimization Approach to Portfolio Optimization, Nonlinear Analysis: Real World Applications, No.10, p.p. 2396–2406.
* Woodside-Oriakhi, M. Lucas, C. Beasley, J.E. (2011), Heuristic Algorithms for The Cardinality Constrained Efficient Frontier, European Journal of Operational Research, p.p. 538-550.
_||_