پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,949,657 |
| تعداد دریافت فایل اصل مقاله | 89,622,543 |
ارائه ترکیبی از برنامهریزی پویای تصادفی تقریبی و الگوریتم ژنتیک در بهینهسازی چندمرحله‌ای سبد سهام با معیار ریسک GlueVaR | ||
| مدیریت صنعتی | ||
| مقاله 6، دوره 11، شماره 3، 1398، صفحه 517-542 اصل مقاله (594.32 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2019.278912.1007579 | ||
| نویسندگان | ||
| مریم قندهاری1؛ عادل آذر* 2؛ احمدرضا یزدانیان3؛ غلامحسین گل ارضی4 | ||
| 1دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، دانشگاه سمنان، سمنان، ایران. | ||
| 2استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران. | ||
| 3استادیار، گروه ریاضیات مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران. | ||
| 4استادیار، گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، دانشگاه سمنان، سمنان، ایران. | ||
| چکیده | ||
| هدف: انتخاب یک سبد سرمایه‌گذاری بهینه در طولانی‌مدت منطقی نیست و با گذشت زمان کارایی خود را از دست می‌دهد. هدف این مقاله ارائه روشی برای به‌روز کردن چندمرحله‌ای سبد سهام است. همچنین از آنجا که بعد این مسئله با گذشت دوره‌های زمانی، به‌صورت چشمگیری افزایش می‌یابد، حل مسئله به‌روش قطعی ممکن نیست، از این رو هدف دیگر، استفاده از روش تقریبی برای مقابله با این دغدغه است. روش: از برنامهریزی پویای تصادفی تقریبی چندمرحله‌ای برای تعیین سبد بهینه سهام و رفع مشکل ناکارایی آن با گذشت زمان استفاده شده است. از نرخ‌های بازده به‌عنوان متغیر تصادفی طی دوره‌ها، از روش مونت کارلو برای سناریوسازی و از معیار ریسک GlueVaR به‌عنوان معیار اندازه‌گیری ریسک استفاده شده است. با استفاده از روش تقریبی، امکان حذف برخی از جواب‌های بهینه افزایش می‌یابد، از این رو، از الگوریتم ژنتیک برای جست‌وجو در اطراف پاسخ بهینه بهره برده شد تا در صورت امکان، جواب بهتری به‌دست آید. مدل‌سازی این پژوهش توسط نرم‌افزار متلب و آزمون‌های آن به‌کمک نرم‌افزار SPSS صورت پذیرفته است. یافته‌ها: در این مقاله از اطلاعات 100 شرکت برتر موجود در بورس اوراق بهادار تهران، در سال‌های 1390 تا 1396 استفاده شد و بر اساس روش برنامهریزی پویای تقریبی پیشنهادی، الگوریتم ژنتیک و روش سبد سهام با وزن‌های برابر، به مقایسه بازدهی و ریسک سرمایه‌گذاری در سبدهای مختلف پرداخته شده است. نتیجه‌گیری: آزمون‌های آماری مربوطه نشان‌دهنده عملکرد بهتر روش پیشنهادی در مقایسه با دو روش دیگر است. | ||
| کلیدواژه‌ها | ||
| بهینهسازی سبد سهام؛ برنامهریزی پویای تصادفی؛ معیار ریسک GlueVaR؛ الگوریتم ژنتیک؛ سناریوسازی | ||
| عنوان مقاله [English] | ||
| A Hybrid Model of Stochastic Dynamic Programming and Genetic Algorithm for Multistage Portfolio Optimization with GlueVaR Risk Measurement | ||
| نویسندگان [English] | ||
| Maryam Ghandehari1؛ Adel Azar2؛ Ahmad Reza Yazdanian3؛ Gholamhossein Golarzi4 | ||
| 1Ph.D. Candidate, Department of Industrial Management, Faculty of Economics and Management, Semnan University, Semnan, Iran. | ||
| 2Prof., Department of Industrial Management, Faculty of Economics and Management, Tarbiat Modares University, Tehran, Iran. | ||
| 3Assistant Prof., Department of Mathematical Finance, Kharazmi University, Tehran, Iran. | ||
| 4Assistant Prof., Department of Industrial Management, Faculty of Economics and Management, Semnan University, Semnan, Iran. | ||
| چکیده [English] | ||
| Objective: The selection of an optimal investment portfolio for a long-term period does not seem logical. So the investors should update their investment portfolios over specific time periods if needed. Since the problem dimensions significantly increase after the periods, a definitive solution to the problem is not achievable. Methods: In this regard, the Multistage Approximate Stochastic Dynamic Programming has been used to make the best portfolio over each period by using a stochastic return rate. The Monte Carlo was used for scenario development, and GlueVar was selected as a risk measurement criterion. The approximation technique was used to resolve for large dimensions; however, some optimized solutions may be eliminated so we used the Genetic Algorithm for the rapid search around the optimal solution to obtain a better one, if possible. Results: Top 100 companies listed in the Tehran Stock Exchange between 2011 and 2017 were investigated. This study investigated and compared the return and risk of investment portfolios based on the proposed method, Genetic Algorithm, and stock portfolio with equal weights. The modeling was done with MATLAB and tests were carried out with SPSS. Conclusion: The results indicated a higher performance of the proposed method in comparison with the other mentioned methods. | ||
| کلیدواژه‌ها [English] | ||
| Portfolio optimization, Stochastic dynamic programming, GlueVaR risk measurement, Genetic algorithm, Scenario constructiom | ||
| مراجع | ||
|
ابریشمی، آذین؛ یوسفی زنوز، رضا (1394). انتخاب سبد سهام با استفاده از بهینهسازی استوار. تحقیقات مالی، 16 (2)، 201- 218. پاکمرام، عسگر؛ بحری ثالث، جمال؛ ولیزاده، مصطفی (1396). انتخاب و بهینهسازی سبد سهام با استفاده از الگوریتم ژنتیک، با بهرهگیری از مدل میانگین ـ نیمه واریانس مارکوویتز. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 8 (31)، 19- 42. خالوزاده، حمید؛ امیری، نسیبه (1385). تعیین سبد سهام بهینه در بازار بورس ایران بر اساس نظریه ارزش در معرض ریسک. مجله تحقیقات اقتصادی، (73)، 211- 231. رجبی، مهسا؛ خالوزاده، حمید (1395). بهینهسازی و مقایسه سبد سهام در بورس اوراق بهادار تهران با بهرهمندی از الگوریتمهای بهینهسازی تکاملی چندهدفه. تحقیقات مالی، 16 (2)، 253-270. شریفی سلیم، علیرضا؛ مؤمنی، منصور؛ مدرس یزدی، محمد؛ راعی، رضا (1394). برنامهریزی تصادفی چندهدفه برای انتخاب سبد سهام، مدیریت صنعتی، 7 (3)، 489-510. عبدالعلیزاده شهیر، سیمین؛ عشقی، کوروش (1382). کاربرد الگوریتم ژنتیک در انتخاب یک مجموعه دارایی از سهام بورس اوراق بهادار. فصلنامه پژوهشهای اقتصادی ایران، 17 (5)، 175- 192. علیپور جورشری، ارمغان؛ یاکیده، کیخسرو؛ محفوظی، غلامرضا (1396). بهینهسازی سبد سهام با حداقل میانگین انحرافات مطلق کاراییهای متقاطع، مدیریت صنعتی، 9 (3)، 475-496. قدوسی، سعید؛ تهرانی، رضا؛ بشیری، مهدی (1391). بهینهسازی سبد سهام با استفاده از روش تبرید شبیهسازی‌شده. تحقیقات مالی، 17 (1)، 141- 158. گودرزی، مهشید؛ یاکیده، کیخسرو؛ محفوظی، غلامرضا (1395). بهینهسازی سبد سهام با تلفیق کارایی متقاطع و نظریه بازیها. مدیریت صنعتی، 8 (4)، 685-706. محبی، نگین؛ نجفی، امیرعباس (1397). بهینهسازی سبد سرمایه‌گذاری چنددورهای با رویکرد برنامهریزی پویا. مطالعات مدیریت صنعتی، 16(50)، 1-26.
References Abdolalizade Shahir, S., & Eshghi, K. (2004). Using Genetic Algorithm in Selecting a Portfolio in Stock Exchange. Journal of Iran Economic Researches, 17 (5), 175-192. (in Persian) Abrishami, A., & Yousefi Zenouz, R. (2015) Portfolio Selection by Robust Optimization. Journal of Financial Researches, 16 (2), 201-218. (in Persian) Azar, A., & Ramouz, N., & Atefatdoust, A. (2012). The Application of Non-inferior Set Estimation (NISE) Method in Optimum Portfolio Selection (Case Study: Tehran Security Exchange). Journal of Financial Researches, 14 (2), 1-14. (in Persian) Belles-Sampera, J., Guillen, M., Santolino, M. (2014). Beyond Value-at-Risk: GlueVaR distortion risk measure. Risk Analysis, 34(1), 121-134. Birge, J. R. & Louveaux, F. V. (2000). A multicut algorithm for two-stage stochastic linear programs. European Journal of Operational Research, 34, 384–392. Chang, T. J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27 (13), 1271-1302. DeMiguel, V., Garlappi, L. & Uppal, R. (2009). Optimal versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy? Review of Financial Studies, 22(5), 1915–1953. Erica, E., Handari, B. & Hertono, C. (2018). AIP Conference Proceedings Agglomerative clustering and genetic algorithm in portfolio optimization. AIP Conference Proceedings 2023, 02017, https://doi.org/10.1063/1.506421. Goodarzi, M., Yakideh.K., Mahfoozi.GH. (2017). Portfolio optimization by synthesis of cross efficiency and Game theory. Journal of Industrial Management, 8(4), (2017), 685-706. (in Persian) Jia, Jianmin & Dyer, James S. (1996). A Standard Measure of Risk and Risk-Value Models. Management Science, 42(12), 1691-1705. Karamanis, D. (2013). Stochastic Dynamic Programming Methods for the Portfolio Selection Problem. Thesis. London School of Business. Khalouzadeh, H., Amiri, N. (2006). Optimal Portfolio Selection in Iran Stock Eechange Via Value at Risk Theory. Journal of Economic Researches, (73), 211-231. (in Persian) Kumar, C., Najmud Doja, M. (2018). A novel framework for portfolio selection model using modified ANFIS and fuzzy sets. Journal of Computers.185(3), 453-485. Li, P., Han, Y., Xia, Y. (2016). Portfolio Optimization Using Asymmetry Robust Mean Absolute Deviation Model. Finance Research Letters, 21(44), 1-10. Lin, C.C., Liu, Y.T. (2008). Genetic algorithms for portfolio selection problems with minimum transaction lots. European Journal of Operational Research, 185(1), 393-404. Pakmaram, A., & Bahri Sales, J., & Valizadeh, M. (2017). Selection and Portfolio Optimization by Genetic Algorithms using the Mean Semi-Variance Markowitz Model. Journal of Financial Engineering and Securities Management, 8 (31), 19-42. (in Persian) Qodsi, S., Tehrani, R., & Bashiri, M. (2014) Portfolio optimization with simulated annealing algorithm. Journal of Financial Researches, 17 (1), 141-158. (in Persian) Rajabi, M., & Khaloozadeh, H. (2016). Optimal Portfolio Prediction in Tehran Stock Market using Multi-Objective Evolutionary Algorithms, NSGA-II and MOPSO. Journal of Financial Researches, 16 (2), 253-270. (in Persian) Rockafellar, R. T. & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of Risk, 2(3), 21–41. Roudier, F. (2007). Portfolio optimization and Genetic Algorithms. Thesis. Zurich. Sampera, J., Guillen, M., Santolino, M. (2014). Beyond Value-at-Risk: GlueVaR distortion risk measure. Risk Anal, 34(1), 121-134. Sharma, A., Mehra, A. (2016). Financial analysis based sectoral portfolio optimization under second order stochastic dominance. Journal of Management, 2(3), 55–82. | ||
|
آمار تعداد مشاهده مقاله: 668 تعداد دریافت فایل اصل مقاله: 545 |
||