بهینه سازی سبد سهام سرمایه‌گذاری با بکارگیری الگوریتم‌های فراابتکاری علف هرز مهاجم و فاخته
محورهای موضوعی : آموزشی
نوید محمودزاده ملکی
1
,
حیدر محمدزاده سالطه
2
,
سلیمان ایرانزاده
3
1 - دانشجوی دکتری مدیریت صنعتی گرايش مالی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
2 - دانشیار، گروه حسابداری ، واحد مرند، دانشگاه آزاد اسلامی، مرند، ایران
3 - گروه مدیریت ، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
کلید واژه: بهینه سازی, سبدسهام, سرمایه گذاری, الگوریتم های فراابتکار.,
چکیده مقاله :
بهینه‌سازی سبد سهام یکی از چالش‌های کلیدی در مدیریت سرمایه‌گذاری است که هدف آن حداکثر کردن بازده و کاهش ریسک است. الگوریتم علف هرز مهاجم، با الهام از رفتار علف‌های هرز در طبیعت، به جستجوی بهینه‌تری برای انتخاب سهام می‌پردازد و توانایی بالایی در فرار از بهینه‌های محلی دارد. از سوی دیگر، الگوریتم فاخته، که بر اساس رفتار پرندگان فاخته در تخم‌گذاری در لانه‌های دیگر پرندگان طراحی شده است، به‌خوبی می‌تواند تنوع و ریسک سبد سهام را مدیریت کند. از آنجا كه تصميم گيري در خصوص انواع سرمايه گذاري ها و انتخاب مناسب ترين شيوه سرمايه گذاري از جمله اساسي ترين مباحث مديريت مالي است، بنابرین تحقیق حاضر به دنبال بهینه سازی سبد سرمایه گذاری سهام با رویکرد حداقل سازي ريسك بر اساس تئوري پورتفوي بهینه سازی بهینه سازی فراابتکاری می باشد، جامعه آماری تحقیق حاضر، سبد سهام سرمایه‌گذاری قابل معامله در بروس اوراق بهادار تهران هستند. برای تعین حجم نمونه از روش غربالگری سیستمی استفاده شد. اولین گام تعریف دقیق مساله و شناسایی پارامترهاو متغیرهای تصمیم بوده تا بتواند انطباق بیشتری با مسائل واقعی داشته باشد. پس از اعتبار سنجی مدل و با عنایت به اینکه نتیجه نهایی مطلوب تحقیق، بهینه سازی سبد سرمایه گذاری سهام با رویکرد حداقل سازي ريسک و حداکثرسازی بازده سهام می باشد، سعی گردید راهکارهایی مناسبی جهت حل مدل ریاضی مساله ارائه گردد. با توجه به چند هدفه بودن مدل مورد بررسی، یک جواب غالب وجود نداشته، که با بکارکیری الگوریتم های موثرتر و کارآمدتر فراابتکاری علف هرز مهاجم و فاخته، که از جدیدترین و کاراترین الگوریتم های بهینه سازی فراابتکاری برای محاسبه وزن بهینه سبدها محسوب می شود به بررسی نتایج پرداختیم. به منظور تحلیل داده ها پس از تعریف مساله، با استفاده از مدل سازی ریاضی نسبت به تدوین مدل ریاضی پرداخته شده است. سپس به منظور بهینه سازی مدل از روش‌های حل دقیق و از روش های بهینه سازی فرا ابتکاری علف هرز مهاجم و الگوریتم فاخته با استفاده از نرم افزار تحلیلی Matlab استفاده گردیده است. مدلسازی تحقیق براساس بهینه سازی سهام با اهداف بازده ـ ریسک و روش های بهینه سازی فراابتکاری علف هرز مهاجم و الگوریتم فاخته ارائه شد.
Stock portfolio optimization is one of the key challenges in investment management, which aims to maximize returns and reduce risk. The invasive weed algorithm, inspired by the behavior of weeds in nature, searches for a more optimal stock selection and has a high ability to escape from local optima. On the other hand, the cuckoo algorithm, which is designed based on the behavior of cuckoo birds in laying eggs in the nests of other birds, can well manage the diversity and risk of the stock portfolio. Since deciding on the types of investments and choosing the most suitable investment method is one of the most basic topics of financial management, therefore, the present research seeks to optimize the stock investment portfolio with the risk minimization approach based on the optimal optimization portfolio theory. Sazi is meta-innovative, the statistical population of this research is the tradable investment stock portfolio in Tehran Securities. A systematic screening method was used to determine the sample size. The first step is to accurately define the problem and identify the decision parameters and variables so that it can be more compatible with real problems. After validating the model and taking into account that the desired final result of the research is the optimization of the stock investment portfolio with the approach of risk minimization and stock return maximization, we tried to provide suitable solutions to solve the mathematical model of the problem. Considering the multi-objective nature of the investigated model, there is no dominant solution, which is achieved by using more effective and efficient meta-heuristic algorithms for invasive weed and cuckoo, which is one of the most recent and efficient meta-heuristic optimization algorithms for calculating the optimal weight of baskets. We checked the results. In order to analyze the data after defining the problem, mathematical modeling has been used to develop a mathematical model. Then, in order to optimize the model, exact solution methods and meta-heuristic optimization methods of invasive weed and cuckoo algorithm have been used using Matlab analytical software. Research modeling based on stock optimization with return-risk objectives and meta-heuristic optimization methods of invasive weeds and cuckoo algorithm were presented.
منابع و ماخذ
- تهرانی رضا، ( 1387 )، مدیریت مالی، چاپ چهارم، تهران: انتشارات نگاه دانش،
- پدرام، پرهام. (1388). تبیین و ازمون الگوریتم روش تسلط تصادفی برای ارزیتبی کارایی پرتفوی بهینه. مالعات مالی. 1(9). صفحه 65-83.
- جونز، چارلز پارکر. مدیریت سبد سهام (سبد سرمایه‌گذاری) / تألیف چارلز پارکز جونز؛ مترجم محمدشاه علیزاده. (1380). تهران : جامعه دانشگاهی: مرکز آموزش و تحقیقات صنعتی ایران.
- رضائی پندري عباس، آذرعادل، رعیتی شوازي علیرضا، ( 1390 )، به کارگیري الگوریتم ژنتیک براي انتخاب پرتفولیوي بهینه اي با اهداف غیر خطی (بورس اوراق بهادار تهران)، فصلنامه پژوهش هاي اقتصادي، 16(48) ، 134-109
- زمانيان غلامرضا, جمشيدي سجاد. (1397). ارزيابي عملکرد شرکت هاي فرابورس ايران با استفاده از معيار تسلط تصادفي و بهينه سازي آن با الگوي ترکيبي PSO و ANN. مديريت دارايي و تامين مالي. 6(3)، (پياپي 22) ; -15
- شیری قهی، امیر؛ دیده خانی، حسین؛ خلیلی دامغانی، کاوه؛ سعیدی، پرویز. (1396). مطالعه تطبیقی مدل بهینه سازی چند دوره ای چندهدفه در محیط اعتبار فازی با معیارهای ریسک متفاوت. راهبرد مدیریت مالی. 5(18)، 26-1.
- کیانی هرچگانی، مائده؛ نبوی چاشمی، سید علی؛ معماریان، عرفان. (1393). بهینه سازی سبد سهام براساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از روش الگوریتم ژنتیک. فصلنامه علمی پژوهشی دانش سرمایه گذاری. 3(11). 125-164.
- مرادی، محمد. (1396). بهینه سازی سبد سرمایه گذاری در بورس و اوراق بهادار تهران با استفاده از الگوریتم چرخه اب. چشم انداز مدیریت مالی. 7(20): 9-32.
- نبوی چاشمی، سید علی؛ داداش پور عمرانی، احمد. (1391). انتخاب سبد سهام چندهدفه تحت محدودیت احتمالی در بستر بازار سرمایه ایران. مجله مهندسی مالی و مدیریت اوراق بهادار. 3(13): 73-89.
- مرادی، مهرداد و شریعتی، اعظم (1392)، بررسی روابط بلندمدت نوسانات شاخص سهام و قیمت نفت بر رشد اقتصادی در کشورهای عضو دی هشت، اولین همایش الکترونیکی ملی چشم انداز اقتصاد ایرانبا رویکرد حمایت از تولید ملی، خوراسگان، دانشگاه آزاد اسلامی واحد خوراسگان.
- مشيري، سعيد و مروت، حبيب . (1385). پيشبيني شاخص كل بازدهي سهام تهران با استفاده از مدلهاي خطي و غيرخطي، فصلنامه پژوهشنامه بازرگاني.
- نیکو مرام، هاشم؛ پورزمانی، زهرا؛ دهقان، عبدالمجید. (1394). بررسی سرایت پذیری تلاطم بازارهای مالی بازار سرمایه بر صنایع بورسی (صادرات و واردات محور)، دانش مالی تحلیل اوراق بهادار، 8(25).
- اله بخش، محمد؛ (1380). بررسی تاثیر تغییرات نرخ ارز بر روی تغییرات قیمت سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران، پایان نامه کارشناسی ارشد، دانشگاه تهران.
- هاگن، رابردت، (2014)، تئوری نوین سرمایه گذاری ، ترجمه دکتر علی پارسائیان وبهروز خدارحمی، تهران: انتشارات دانشگاه امار و داده های سری زمانی بورس اوراق بهادار تهران.
Bekiros, S., Hernandez, J. A., Hammoudeh, S., & Nguyen, D. K. (2015). Multivariate dependence risk and portfolio optimization: An application to mining stock portfolios. Resources Policy, 46(2), 1–11.
Dantzig, G. B. (1963). Linear programming and extensions. Princeton University Press.
Dantzig, G. B. (1955). Linear programming under uncertainty. Management Science, 1(3–4), 197–206. https://doi.org/10.1287/mnsc.1.3-4.197
Davidson, R., & Duclos, J.-Y. (2000). Statistical inference for stochastic dominance and for the measurement of poverty and inequality. Econometrica, 68(6), 1435–1465. https://doi.org/10.1111/1468-0262.00167
Delbaen, F. (2002). Coherent risk measures on general probability spaces. In K. Sandmann & P. J. Schönbucher (Eds.), Advances in finance and stochastics: Essays in honour of Dieter Sondermann (pp. 1–37). Springer-Verlag. https://doi.org/10.1007/978-3-662-04790-3_1
Dentcheva, D., & Martinez, G. (2012). Two-stage stochastic optimization problems with stochastic ordering constraints on the recourse. European Journal of Operational Research, 219(1), 1–8.
Dentcheva, D., & Ruszczyński, A. (2003). Optimization with stochastic dominance constraints. SIAM Journal on Optimization, 14(2), 548–566. https://doi.org/10.1137/S1052623402420528
Dentcheva, D., & Ruszczyński, A. (2004). Optimality and duality theory for stochastic optimization problems with nonlinear dominance constraints. Mathematical Programming, 99(2), 329–350.
Elton, E. J., & Gruber, M. J. (1987). Modern portfolio theory and investment analysis (3rd ed.). Wiley.
Fernandez, A., Gomez, S., & Luna, F. (2013). Portfolio selection using genetic algorithms and downside risk measures. Computational Economics, 41(4), 437–458. https://doi.org/10.1007/s10614-012-9343-8
Fishburn, P. C. (1977). Mean-risk analysis with risk associated with below-target returns. The American Economic Review, 67(2), 116–126.
Hadar, J., & Russell, W. R. (1969). Rules for ordering uncertain prospects. The American Economic Review, 59(1), 25–34.
Kopa, M., & Post, T. (2017). Portfolio optimization with DARA stochastic dominance constraints (SSRN Working Paper No. 3063141). https://doi.org/10.2139/ssrn.3063141
Levy, H., & Hanoch, G. (1970). Relative effectiveness of efficiency criteria for portfolio selection. Journal of Financial and Quantitative Analysis, 5(1), 63–76. https://doi.org/10.2307/2329767
Mainik, G., Mitov, G., & Rüschendorf, L. (2015). Portfolio optimization for heavy-tailed assets: Extreme Risk Index vs. Markowitz. Journal of Empirical Finance, 32, 115–134.
Zeleny, M. (1982). Multiple criteria decision making. McGraw-Hill.
