پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,971,334 |
| تعداد دریافت فایل اصل مقاله | 89,642,632 |
بهینهسازی و مقایسۀ سبد سهام در بورس اوراق بهادار تهران با بهرهمندی از الگوریتمهای بهینهسازی تکاملی چندهدفه | ||
| تحقیقات مالی | ||
| مقاله 4، دوره 16، شماره 2، مهر 1393، صفحه 253-270 اصل مقاله (392.59 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jfr.2014.50715 | ||
| نویسندگان | ||
| مهسا رجبی* 1؛ حمید خالوزاده2 | ||
| 1دانشجوی دکتری برق ـ کنترل و سیستم، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 2استاد دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| چکیده | ||
| با وجود استفادۀ روزافزون از الگوریتمهای بهینهسازی تکاملی چندهدفه در شاخههای مختلف علوم، بهکاربردن آنها بهعنوان ابزار بسیار قدرتمند در زمینۀ بهینهسازی سبد سرمایه، بهویژه حل مسئلۀ چندهدفه، همچنان در مراحل اولیۀ پژوهش است. در این مقاله، از الگوریتمهای تکاملی چندهدفه برای حل مسئلۀ بهینهسازی چندهدفۀ سبد سرمایه در بورس اوراق بهادار تهران استفاده شده است. برای این منظور، دو روش مهم و پرکاربردِ الگوریتم ژنتیک چندهدفه با مرتبسازی نامغلوب (NSGA-II) و بهینهسازی چندهدفۀ ازدحام ذرات (MOPSO) با یکدیگر مقایسه شدند. جبهههای بهینۀ پارِتوی بهدستآمده، به سرمایهگذار این امکان را میدهد که از بین ریسک و ارزشهای مختلف، سبد سرمایۀ بهینۀ مدنظر را انتخاب کند. ارزش سبد سرمایه و ریسک آن بهعنوان اهداف بهینهسازی و معیار ارزش در معرض ریسک مشروط بهعنوان سنجۀ ریسک بهکار برده شد و سه قید عملی و کاربردی نیز برای حل مسئله مدنظر قرار گرفت. نتایج، عملکرد بهتر روش NSGA-II را نسبت به MOPSO برای هر دو معیار همگرایی و گستردگی جبهههای بهینۀ پارتو نشان داد. همچنین در پیشبینی سبد سهام بهینه، انطباق جبهههای بهینۀ پارتوی واقعی و پیشبینیشده، نشاندهندۀ کارایی بسیار مناسب روشهای استفادهشده است. | ||
| کلیدواژه‌ها | ||
| ارزش در معرض ریسک مشروط؛ الگوریتمهای بهینهسازی چندهدفۀ تکاملی؛ پیشبینی سبد سهام؛ MOPSO. NSGA-II | ||
| عنوان مقاله [English] | ||
| Optimal Portfolio Prediction in Tehran Stock Market using Multi-Objective Evolutionary Algorithms, NSGA-II and MOPSO | ||
| نویسندگان [English] | ||
| Mahsa Rajabi1؛ Hamid Khaloozadeh2 | ||
| 1PhD., Electrical and Control Engineering, K. N. Toosi University of Technology | ||
| 2Prof. , K. N. Toosi University of Technology | ||
| چکیده [English] | ||
| Despite the growing use of evolutionary multi-objective optimization algorithms in different categories of science, these algorithms as a powerful tool in portfolio optimization and specially solving multi-objective portfolio optimization problem is still in its early stages. In this paper, MOEAs have been used for solving multi-objective portfolio optimization problem in Tehran stock market. For this purpose, Non-dominated Sorting Genetic Algorithm (NSGA_II) and Multi-objective Particle Swarm Optimization (MOPSO), as two common approaches, were compared with each other. Using pareto front, investors can choose optimal portfolio based on different risks and returns. Two objectives of the problem are return and risk of portfolio and CVaR is the risk metric. In order to solve the problem, three real-world constraints were considered. The results indicate that these approaches have a high performance in constraint portfolio optimization. | ||
| کلیدواژه‌ها [English] | ||
| Optimal Portfolio Prediction, Multi-Objective Evolutionary Algorithms, Conditional Value at Risk, NSGA-II, MOPSO | ||
| مراجع | ||
|
Anagnostopoulos, K. & Mamanis, G. (2009). Multiobjective evolutionary algorithms for complex portfolio optimization problems. Springer-Verlag, 8(3): 259-279.
Armananzas, R. & Lozano, J. A. (2005). A multiobjective approach to the portfolio optimization problem. IEEE congress on evolutionary computation, 2:1388-1395.
Chiang, C. S. (2009). Evolutionary Multi-objective Optimization in Investment Portfolio Management. PhD Thesis, Natinal University of Singapore.
Coello, C.C.A. (2006). Evolutionary Multi-Objective Optimization: A historical view of the field. IEEE Computational Intelligence Magazine, 1(1): 28-36.
Coello, C.C.A., Pulido, G.T. & Lechuga, M.S. (2004). Handling Multiple Objectives With Particle Swarm Optimization. IEEE Transaction on Evolutionary Computation, 8(3): 256-279.
Deb, K., Pratap, A., Agarwal, S. & Meyarivan, T. (2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2): 182-197.
Derakhshan, M., Golmakani, H. & Hanafizadeh, P. (2012). Multiobjective Portfolio Selection of Tehran Stock Exchange with the Metaheuristic Optimization Approach. International Journal of Indestrial Engineering and Production Management, 23(3): 318-331. (in Persian)
Khaleiji, M., Zeiaee, M., Tabei, A., Jahed-Motlagh, M.R. & Khaloozadeh, H. (2009). Dynamically Weighted Continuous Ant Colony Optimization for Bi- Objective Portfolio Selection Using Value-at-Risk. Third Asian International Conference on Digital Object Identifier, 1(2): 230-235.
Khaloozadeh, H. & Amiri, N. (2006). Optimal portfolio Selection in Iran Sotck Exchange Based on VaR Approach. Journal of Economic Research, 41(2): 211-231. (in Persian)
Khaloozadeh, H., Khaki-sedigh, A. & Lucas, C. (1996). Are Stock Prices Predictable in the Tehran Stock Exchange. Journal of Financial Research, 3(2): 37-46. (in Persian)
Li, H. & Zhang, Q. (2009). Multiobjective Optimization Problems with Complicated Pareto Sets, MOEA/D and NSGA-II. IEEE Transactions on Evolutionary Comutation, 13(2): 284-302.
Metaxiotis, K. & Liagkouras, K. (2012). Multiobjective Evolutionary Algorithms for Portfolio Management: A comprehensive literature review. Expert Systems with Applications, 39(14): 11685–11698.
Mishra, S.K., Panda, G. & Meher, S. (2009). Multi-objective particle swarm optimization approach to portfolio optimization. World Congress on Nature & Biologically Inspired Computing. DOI:10.1109/NABIC.2009. 5393659.
Raei, R. & Alibeygi, H. (2010). Portfolio Optimization Using Particle Swarm Optimization Method. Journal of Financial Research, 12(29): 21-40. (in Persian) Raei, R. & Chavoshi, K. (2003). Prediction of Stock Return Behavior in Tehran Stock Exchange: Artificial Neural Networks and Arbitrage Pricing Theory. Journal of Financial Research, 5(1): 97-120. (in Persian)
Rockafellar, T.R. & Uryasev, S. (2000). Optimization of Conditional value-at-risk. Journal of Risk, 2(3): 21-41.
Skolpadungket, P., Dahal, K. & Harnpornchai, N. (2007). Portfolio optimization using multi-objective genetic algorithms. IEEE congress on evolutionary computation, CEC: 516-523. DOI: 10.1109/CEC.2007.4424514.
Xu, R., Zhang, J., Liu, O. & Huang, R. (2010). An Estimation of Distribution Algorithm Based Portfolio Selection Approach. International Conference on Technologies and Applications of Artificial Intelligence, Hsinchu City. DOI: 10.1109/TAAI.2010.57. | ||
|
آمار تعداد مشاهده مقاله: 4,490 تعداد دریافت فایل اصل مقاله: 5,023 |
||