پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,107,829 |
| تعداد دریافت فایل اصل مقاله | 89,862,241 |
مقایسه عملکرد الگوریتم‌های تکاملی NSGAIIو SPEA2 در انتخاب پرتفولیوی بهینه در بورس اوراق بهادار تهران | ||
| تحقیقات مالی | ||
| دوره 24، شماره 3، 1401، صفحه 410-430 اصل مقاله (820.56 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2022.330024.1007237 | ||
| نویسندگان | ||
| غلامحسین گل ارضی* 1؛ حمیدرضا انصاری2 | ||
| 1استادیار، گروه مدیریت بازرگانی، دانشکده اقتصاد و مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. | ||
| 2کارشناسی ارشد، گروه مدیریت کسب‌وکار، دانشکده اقتصاد و مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. | ||
| چکیده | ||
| هدف: هدف این پژوهش، مقایسه عملکرد دو الگوریتم از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه، شامل الگوریتم ژنتیک مرتب‌سازی نامغلوب (NSGAII) و الگوریتم تکاملی قدرت پارتو بهبودیافته (SPEA2) در دو رویکرد میانگین ـ واریانس و میانگین ـ نیمه‌واریانس برای انتخاب پرتفولیوی بهینه سهام در بورس اوراق بهادار تهران است. روش: این پژوهش با استفاده از داده‌های 241سهم در یک بازه زمانی 174 ماهه (از مهر 1385 تا پایان اسفند 1399) در بورس اوراق بهادار تهران صورت گرفته است. پس از طراحی الگوریتم‌های مدنظر و انتخاب پرتفولیوی بهینه بر اساس آن‌ها، با استفاده از نسبت شارپ و آزمون مقایسه میانگین‌ها، عملکرد این پرتفولیوها در مقاطع زمانی سه‌ماهه ارزیابی و مقایسه شدند. یافته‌ها: با انجام آزمون فرضیه، روی نسبت شارپ پرتفولیوهای تشکیل‌شده طبق الگوریتم‌های پژوهش، مشخص شد که الگوریتم SPEA2 نسبت به الگوریتم NSGAII عملکرد بهتری دارد. با انجام آزمون برگشت (بک تست) با داده‌های واقعی سه‌ماهه منتهی به پایان سال 1400 این یافته تأیید شد. همچنین نتایج حاصل از آزمون مقاومت، برتری الگوریتم SPEA2 به‌عنوان الگوریتم برتر در این پژوهش را نسبت به مدل سنتی مارکوویتز تأیید کرد. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که الگوریتم SPEA2 نسبت به الگوریتم NSGAII در هر دو رویکرد میانگین ـ واریانس و میانگین ـ نیمه‌واریانس برای انتخاب پرتفولیوی بهینه عملکرد بهتری است. | ||
| کلیدواژه‌ها | ||
| انتخاب پرتفولیوی بهینه سهام؛ الگوریتم‌های تکاملی؛ الگوریتم ژنتیک مرتب‌سازی نامغلوب؛ الگوریتم تکاملی قدرت پارتو | ||
| عنوان مقاله [English] | ||
| Performance Comparison of Non-Dominated Sorting Genetic Algorithm with strength Pareto evolutionary algorithm in Selecting Optimal Portfolios in Tehran Stock Exchange | ||
| نویسندگان [English] | ||
| Gholamhossein Golarzi1؛ Hamid Reza Ansari2 | ||
| 1Assistant Prof., Department of Business Management, Faculty of Economic and Management, Semnan University, Semnan, Iran. | ||
| 2MSc., Department of Business Management, Faculty of Economic and Management, Semnan University, Semnan, Iran. | ||
| چکیده [English] | ||
| Objective: One of the most important issues for all investors, including individual and institutional investors in the stock market, is finding the optimal portfolio. Identifying the optimal portfolio in the stock market can be considered a two-objective optimization problem. This problem maximizes and minimizes the return and risk of the portfolio, respectively. Like other multi-objective optimization problems, the portfolio optimization problem can be solved by multi-objective evolutionary algorithms (MOEAs). Accordingly, the Non-dominated Sorting Genetic Algorithm ( ) and Strength Pareto Evolutionary Algorithm ( ), as the two advanced algorithms of multi-objective evolution algorithms, can be used to solve this problem. These algorithms identify the optimal solution by ranking and archiving solutions located on the Pareto frontier. The purpose of this research is to compare the performance of and in mean-variance and mean-semi-variance approaches to identify the optimal stock portfolio. Methods: This research investigated 241 stocks enlisted on the Tehran Stock Exchange (TSE). It was conducted within 174 months from September 2006 to March 2019. The researchers first identified the optimal portfolio using NSGAII and SPEA2 algorithms through two approaches including mean-variance and mean-semi-variance. Then, by conducting a statistical hypothesis test on the average Sharp ratio of extracted portfolios, the performance of NSGAII and SPEA2 algorithms were compared. To confirm the research findings, a robustness test was done by comparing the performance of the SPEA2 algorithm with the traditional Markowitz model. Also, to ensure the stability of research findings, the performance of two algorithms in the mean-variance and mean-semi variance approaches were compared with quarterly data ending March 2022. Results: According to the obtained results, the SPEA2 algorithm has better performance than the NSGAII algorithm in both approaches. Backtesting the real data for the quarter ending inMarch 2022 confirmed the findings of the present study. Also by doing robustness tests, the researchers found the SPEA2 algorithm as the superior algorithm in this research with better performance than Markowitz's basic model. Conclusion: The results indicated that the 2 algorithm has better performance in selecting the optimal portfolio than the algorithm in both the mean-variance and mean-semi variance approaches. Regardless of how the stock returns are distributed, this study recommends that individual and institutional investors use the SPEA2 algorithm to determine the optimal portfolio arrangement. | ||
| کلیدواژه‌ها [English] | ||
| Optimal portfolio, Evolutionary algorithm, Non-dominated sorting genetic algorithm, Strength Pareto evolutionary algorithm | ||
| مراجع | ||
|
تقی‌زاده یزدی، محمد رضا؛ فلاحپور، سعید و احمدی مقدم، محمد (1395). انتخاب پرتفوی بهینه با استفاده از برنامه‌ریزی فراآرمانی و برنامه‌ریزی آرمانی ترتیبی توسعه یافته. تحقیقات مالی، 18(4)، 591- 612.
راعی، رضا و سعیدی، علی (1383). مبانی مهندسی مالی و مدیریت ریسک. تهران. انتشارات سمت.
رضایی، اسداله؛ فلاحتی، علی و سهیلی، کیومرث (1397). بهینه‌سازی سبد سهام با استفاده از الگوریتم تجمع ذرات سه هدفه. فصلنامه نظریه‌های کاربردی اقتصاد، 5 (4)، 31-52.
سلیمی، محمد جواد؛ تقوی فرد، محمد تقی؛ فلاح شمس، میرفیض و خواجه‌زاده دزفولی، هادی (1397). بهینه‌یابی تکاملی چهارهدفه فازی و غیرفازی سبد سرمایه‌گذاری در بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار، 9(36)، 1-16.
فتاحی، پرویز و آرام، یوسف (1392). الگوریتم‌های فرا ابتکاری. همدان: دانشگاه بوعلی سینا.
مرادی، مجتبی و قویدل جیرسرائی، مریم (1397). انتخاب بهینه سبد سهام با استفاده از الگوریتم‌های بهبودیافته ژنتیک مرتب‌سازی نامغلوب و الگوریتم پارتوی نیرومند با در نظر گرفتن ریسک بر مبنای ارزش در معرض خطر شرطی. دانش سرمایه‌گذاری، 7(28)، 69- 82.
مرادی، محمد (1396). بهینه‌سازی سبد سرمایه‌گذاری در بورس اوراق بهادار تهران با استفاده از الگوریتم چرخه آب (W). چشمانداز مدیریت مالی، 7(20)، 9-32.
میرزائی، حمید رضا؛ خدامی‌پور، احمد و پورحیدری، امید (1395). بررسی کاربرد الگوریتم ژنتیک چند هدفه در بهینه‌سازی پرتفوی سهام با استفاده از شاخصهای تکنیکال. مهندسی مالی و مدیریت اوراق بهادار، 7(29)، 67- 84.
References Anagnostopoulos, K. P. & Mamanis, G. (2011). The mean–variance cardinality constrained portfolio optimization problem: An experimental evaluation of five multiobjective evolutionary algorithms. Expert Systems with Applications, 38(11), 14208-14217. Chang, T. J. Yang, S. C. & Chang, K. J. (2009). Portfolio optimization problems in different risk measures using genetic algorithm. Expert Systems with applications, 36(7), 10529-10537. Chen, Y. & Wang, X. (2015). A hybrid stock trading system using genetic network programming and mean conditional value-at-risk. European Journal of Operational Research, 240(3), 861-871. Costa, N. R. & Lourenço, J. A. (2015). Exploring Pareto Frontiers in the Response Surface Methodology. World Congress on Engineering (Berlin / Heidelberg: Springer, 2015), 399–412. Deb, K., Pratap, A., Agarwal, S. & Meyarivan, T.A.M.T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197. Fatahi, P. (2015). Metaheuristic Algorithmes. Bu-Ali Sina University. (in Persian) Fonseca, C. M. & Fleming, P. J. (1993) Genetic algorithms for multi-objective optimization: Formulation, discussion and generalization. Fifth International Conference on Genetic Algorithms, 416–423. Fotros, M. H., Miri, I. & Miri, A. (2020). Comparison of Portfolio Optimization for Investors at Different Levels of Investors' Risk Aversion in Tehran Stock Exchange with Meta-Heuristic Algorithms. Advances in Mathematical Finance & Applications, 5 (1), 1-10 Guliashki, V., Toshev, H. & Korsemov, C. (2009). Survey of Evolutionary Algorithms Used in Multiobjective Optimization. Bulgarian Academy of Sciences, 60, 42-54. Kaucic, M., Moradi, M. & Mirzazadeh, M. (2019). Portfolio optimization by improved NSGA-II and SPEA 2 based on different risk measures. Financial Innovation, 5(1), 23-39. Macedo, L. L., Godinho, P. & Alves, M. J. (2017). Mean-semi variance portfolio optimization with multi objective evolutionary algorithms and technical analysis rules. Expert Systems with Applications, 79, 33-43. Markowitz, H. M. & Todd, G. P. (2000). Mean-variance analysis in portfolio choice and capital markets (Vol. 66). John Wiley & Sons. Masese, J. M. Othieno, F. & Njenga, C. (2017). Portfolio Optimization under Threshold Accepting: Further Evidence from a Frontier Market. Journal of Mathematical Finance, 7(04), 941. Mehrjerdi, Z. Y. Rasay, H. (2013). Comparison of Meta heuristic Techniques for Portfolio Optimization under Semi-Variance Risk Criterion using t test. International Journal of Industrial Engineering & Production Management, 24(2), 141-153. Mirzaei, H., Khodamipour, A. & Pourheidari, O. (2016). Applying Multi objective Genetic Algorithms in Portfolio Optimization by Technical Indicators. Financial Engineering &Securities Management, 7(29), 67-84. (in Persian) Moradi, M. & Ghavideljirsaraee, M. (2018). Optimal Stock Portfolio Selection Using Improved Non-dominated Sorting Genetic Algorithm and Robust Pareto Algorithm Considering Risk Based Conditional Value at Risk. Investment Knowledge, 7(28), 69-82. (in Persian) Moradi, M. (2018). Portfolio Optimization in Tehran Stock Exchange by Water Cycle Algorithm. Journal of Financial Management Prespective, 7(20), 9-32. (in Persian) Raei, R. & Saeedi, A. (2004). Fundamentals of Financial Engineering and Risk Management. Management Faculty of Tehran University press (UTP). (in Persian) Rezaee, A., Falahati, A. & Sohaili, K. (2019). Portfolio Optimization Using Three-Objective Particle Swarm Optimization. Quarterly Journal of Applied Theories of Economics, 5(4), 31-52. (in Persian) Ruiz, A. B., Saborido, R., Bermúdez, J. D., Luque, M., & Vercher, E. (2020). Preference-based evolutionary multi-objective optimization for portfolio selection: a new credibilistic model under investor preferences. Journal of Global Optimization, 76(2), 295-315. Salimi, M.J., Taghavifard, M.T., Fallahshams, M. & Khajezadeh Dezfuli, H. (2018). Evolutionary 4-Objective Optimization Portfolio Algorithms for fuzzy and non-fuzzy selection. Financial Engineering & Securities Management, 9(36), 1-16. (in Persian) Silva, Y.L.T. Herthel, A.B. & Subramanian, A. (2019). A multi-objective evolutionary algorithm for a class of mean-variance portfolio selection problems. Expert Systems with Applications, 133, 225-241. Srinivas, N. & Deb, K. (1995). Multi-Objective function optimization using non-dominated sorting genetic algorithms, Evolutionary Computation, 2(3), 221–248. Taghizadeh, Y. M. R., Fallahpour, S. & Ahmadi, M. M. (2017). Portfolio selection by means of meta – goal programming and extended lexicography goal programming approaches. Financial Research Journal, 18(4), 591-612. (in Persian) Vachhani, V., Dabhi, V. & Prajapati, H. (2015). Survey of Multi Objective Evolutionary Algorithms. Circuit, Power and Computing Technologies (ICCPCT), 2015 International Conference. Yang, X. (2006). Improving portfolio efficiency: A genetic algorithm approach. Computational Economics, 28(1), 1-29. Zakamouline, V. & Koekebakker, S. (2009). Portfolio performance evaluation with generalized Sharpe ratios: Beyond the mean and variance. Journal of Banking & Finance, 33(7), 1242-1254. Zhu, S. (2016). Research on the Portfolio Optimization Model under Quantitative Constraint Based on Genetic Algorithm. Journal of Mathematical Finance, 6(04), 465. Zitzler, E., Laumanns, M. & Thiele, L. (2001). SPEA2: Improving the strength Pareto evolutionary algorithm. TIK-report, 103. | ||
|
آمار تعداد مشاهده مقاله: 544 تعداد دریافت فایل اصل مقاله: 404 |
||