انتخاب سبد سهام فازی با استفاده از الگوریتم هوشمند ترکیبی با در نظر گرفتن ریسک نامطلوب
محورهای موضوعی : دانش سرمایهگذاری
حجت الله انصاری
1
(استادیار دانشگاه الزهرا، تهران، ایران)
عادل بهزادی
2
(دانشجوی دکترای مهندسی مالی دانشگاه تهران، تهران، ایران(نویسنده مسئول))
مصطفی امام دوست
3
(دانشجوی دکترای مالی دانشگاه تهران)
کلید واژه: بهینه سازی پرتفوی فازی, معیار ریسک نامطلوب, نظریه اعتبار, الگوریتمهای تکاملی, شاخص عملکرد اقتصادی,
چکیده مقاله :
مطالعات تجربی نشان میدهد بازده داراییها نرمال و متقارن نمیباشد، بنابراین واریانس نمیتواند بهدرستی بهعنوان معیار ریسک مناسب مورداستفاده قرار گیرد. در این پژوهش بازده داراییها بهعنوان یک عدد فازی در نظر گرفتهشده است و از معیار ریسک نامطلوب، نیمه واریانس و نیمه قدر مطلق انحراف از میانگین بهعنوان معیار ریسک استفادهشده است. در ادامه بهمنظور حل مدلهای مذکور از دو روش هوشمند ترکیبی بر مبنای الگوریتم ژنتیک و الگوریتم تکامل دیفرانسیلی برای بهینهسازی پرتفوی استفادهشده و در انتها با استفاده از معیار عملکرد اقتصادی مورد مقایسه قرار گرفتهشده است. بهمنظور نشان دادن کارایی مدلها از دادههای بورس اوراق بهادار تهران استفاده شد. یافتهها نشان دادند که فقط استفاده از معیار نیمهقدرمطلق انحراف از میانگین در حالت استفاده از الگوریتم تکامل دیفرانسیلی کارایی بیشتری دارد و همچنین استفاده از روش هوشمند ترکیبی بر مبنای الگوریتم تکامل دیفرانسیلی در دو مدل کارایی بالاتری نسبت به روش هوشمند ترکیبی بر مبنای الگوریتم ژنتیک دارد.
Portfolio optimization is one of more important problems in financial area. The classic model consider that stocks is random variable with symmetric probability density function. But in real world, forecasting stock condition always faced with uncertainty and we need insert human factors in our forecasting. Fuzzy logic is one of methods that we can use this to model this condition. On other hand, experimental studies show that assets return isn’t normal and symmetric, so we should use down risk measure such as semi variance and semi absolute deviation. In this research we consider two point in portfolio selection problem. Then we use two intelligent method based genetic and deferential evolutionary algorithm for solving the models. Making use of Tehran Stock Exchange data, it is concluded that considering semi absolute deviation has higher efficiency than semi variance model and intelligent method based deferential evolutionary algorithm has higher efficiency from intelligent method based genetic algorithm.
[1] H. Konno and H. Yamazaki, "Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market," Management science, vol. 37, pp. 519-531, 1991.
[2] H. Markowitz, "Portfolio selection*," The journal of finance, vol. 7, pp. 77-91, 1952.
[3] H. Markowitz, Portfolio selection: efficient diversification of investments: Yale university press, 1959.
[4] P. Jorion, Value at risk: the new benchmark for controlling market risk vol. 2: McGraw-Hill New York, 1997.
[5] R. T. Rockafellar and S. Uryasev, "Optimization of conditional value-at-risk," Journal of risk, vol. 2, pp. 21-42, 2000.
[6] H. Tanaka and P. Guo, "Portfolio selection based on upper and lower exponential possibility distributions," European Journal of Operational Research, vol. 114, pp. 115-126, 1999.
[7] M. Inuiguchi and J. Ramı́k, "Possibilistic linear programming: a brief review of fuzzy mathematical programming and a comparison with stochastic programming in portfolio selection problem," Fuzzy sets and systems, vol. 111, pp. 3-28, 2000.
[8] M. Arenas Parra, A. Bilbao Terol, and M. Rodrıguez Urıa, "A fuzzy goal programming approach to portfolio selection," European Journal of Operational Research, vol. 133, pp. 287-297, 2001.
[9] X. Huang, "Mean-entropy models for fuzzy portfolio selection," Fuzzy Systems, IEEE Transactions on, vol. 16, pp. 1096-1101, 2008.
[10] X. Zhang, W.-G. Zhang, and R. Cai, "Portfolio adjusting optimization under credibility measures," Journal of computational and applied mathematics, vol. 234, pp. 1458-1465, 2010.
[11] X. Li, Z. Qin, and S. Kar, "Mean-variance-skewness model for portfolio selection with fuzzy returns," European Journal of Operational Research, vol. 202, pp. 239-247, 2010.
[12] H. Dastkhan, N. S. Gharneh, and H. Golmakani, "A linguistic-based portfolio selection model using weighted max–min operator and hybrid genetic algorithm," Expert Systems with Applications, vol. 38, pp. 11735-11743, 2011.
[13] Z. Qin, M. Wen, and C. Gu, "Mean-absolute deviation portfolio selection model with fuzzy returns," Iranian Journal of Fuzzy Systems, vol. 8, pp. 61-75, 2011.
[14] X. Huang, "Minimax mean-variance models for fuzzy portfolio selection," Soft Computing, vol. 15, pp. 251-260, 2011.
[15] P. Gupta, M. Inuiguchi, M. K. Mehlawat, and G. Mittal, "Multiobjective credibilistic portfolio selection model with fuzzy chance-constraints," Information Sciences, 2012.
[16] شمس و دستخوان، "بهکارگیری برنامهریزی ریاضی فازی در مسئلهی تعیین سبد بهینه سهام," ششمین کنفرانس بینالمللی مهندسی صنایع, 1390.
[17] یحییزاده و همکاران، "مقایسه مدلهای سبد سهام در حالت تصادفی و تصادفی فازی بودن بازده مورد انتظار," پیشرفتهای حسابداری, شماره اول, صفحه 196-171, 1390.
[18] صباغیان طوسی و مسعودیمقدم،"مدل میانگین – واریانس – چولگی برای انتخاب سبد سهام بهوسیلهی منطق فازی " اولین همایش بینالمللی اقتصادسنجی، روشها و کاربردها 1391.
[19] همتی و همکاران، "کاربرد برنامهریزی خطی فازی در تنظیم مجدد سبد سهام با پارامترهای فازی," چهارمین کنفرانس بینالمللی تحقیق در عملیات ایران 1390.
[20] L. A. Zadeh, "Fuzzy sets as a basis for a theory of possibility," Fuzzy sets and systems, vol. 100, pp. 9-34, 1999.
[21] B. Liu and Y.-K. Liu, "Expected value of fuzzy variable and fuzzy expected value models," Fuzzy Systems, IEEE Transactions on, vol. 10, pp. 445-450, 2002.
[22] B. Liu, Uncertainty theory: an introduction to its axiomatic foundations vol. 154: Springer, 2004.
[23] L. A. Fono, J. S. Kamdem, and C. Tassak, "Moments and Semi-Moments for fuzzy portfolios selection," 2011.
[24] L. A. Fono, J. S. Kamdem, and C. D. Tassak, "Kurtosis and Semi-kurtosis for Portfolios Selection with Fuzzy Returns," 2011.
[25] بهزادی ، عادل . (1393) . بهینهسازی پرتفوی فازی با در نظر گرفتن گشتاور مراتب بالاتر . پایاننامه کارشناسی ارشد، دانشگاه تهران.
[26] P. K. Bergey and C. Ragsdale, "Modified differential evolution: a greedy random strategy for genetic recombination," Omega, vol. 33, pp. 255-265, 2005.
[27] R. Storn and K. Price, "Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces," Journal of global optimization, vol. 11, pp. 341-359, 1997.
[28] C. M. Jarque and A. K. Bera, "A test for normality of observations and regression residuals," International Statistical Review/Revue Internationale de Statistique, pp. 163-172, 1987.
[29] R. J. Aumann and R. Serrano, "An economic index of riskiness," Journal of Political Economy, vol. 116, pp. 810-836, 2008.
[30] U. Homm and C. Pigorsch, "Beyond the Sharpe ratio: An application of the Aumann–Serrano index to performance measurement," Journal of Banking & Finance, vol. 36, pp. 2274-2284, 2012.
_||_