پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,232 |
| تعداد مقالات | 67,774 |
| تعداد مشاهده مقاله | 115,248,154 |
| تعداد دریافت فایل اصل مقاله | 89,992,670 |
الگوریتم نقطه درونی در بهینه‌سازی سبد سهام چند هدفه: رویکرد GlueVaR | ||
| تحقیقات مالی | ||
| دوره 25، شماره 3، 1402، صفحه 453-484 اصل مقاله (682.68 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.352338.1007424 | ||
| نویسندگان | ||
| الهه گوهرنیا1؛ غلامرضا منصورفر* 2؛ فهیمه بیگلری3 | ||
| 1کارشناسی ارشد، گروه حسابداری و مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. | ||
| 2دانشیار، گروه حسابداری و مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران | ||
| 3استادیار، گروه ریاضی، دانشکده ریاضی، دانشگاه صنعتی ارومیه، ارومیه، ایران. | ||
| چکیده | ||
| هدف: هدف اصلی این پژوهش، بهینه‌سازی سبد سهام با استفاده از الگوریتم ریاضی نقطه درونی و استفاده از این الگوریتم در حل مسئله بهینه‌سازی پرتفوی چندهدفه است. روش: داده‌های این پژوهش، قیمت پایانی روزانه شرکتهای فعال بورس اوراق بهادر تهران بود که در انتهای سال ۱۴۰۰، برای محاسبه شاخص ۵۰ شرکت برتر استفاده شد. از آنجا که دوره زمانی مورد مطالعه، سال‌های ۱۳۹۰ تا ۱۴۰۰ بود، از بین ۵۰ شرکت یادشده، فقط ۳۳ شرکت که در طول دوره بررسی داده‌های آن‌ها در دسترس بود، باقی ماند. برای بهبود مدل بهینه‌سازی نیز از الگوریتم ریاضی نقطه درونی استفاده شد. ریسک سرمایه‌گذاری در این مدل با معیار GlueVaR محاسبه شد و نتایج به‌دست‌آمده از حل مدل با سایر معیارهای اندازه‌گیری ریسک، همچون واریانس، ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (CVaR) نیز مقایسه شد. یافته‌ها: بر اساس یافته‌های پژوهش، در مدل بهینه‌سازی پرتفوی با معیار سنجش ریسک GlueVaR و الگوریتم بهینه‌سازی نقطه درونی، در قیاس با دیگر معیارهای ریسک واریانس، ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (CVaR)، در یافتن مرز کارا عملکرد بهتری را نشان می‌دهد. همچنین الگوریتم نقطه درونی در حل مسائل بهینه‌سازی دفعات تکرار کمتری را در یافتن نقطه بهینه از خود نشان می‌دهد که این خود دلیلی بر قوی بودن این الگوریتم است. نتیجه‌گیری: نتایج حاضر نشان می‌دهد که الگوریتم نقطه درونی قابلیت دارد که برای حل مسائل بهینه‌یابی سبد سهام استفاده شود و همچنین، معیار سنجش ریسک GlueVaR در مقایسه با معیارهای سنجش ریسک VaR، واریانس و CVaR می‌تواند برای بیشتر اشخاص با ترجیحات بازده و ریسک متفاوت، عملکرد بهتری داشته باشد. | ||
| کلیدواژه‌ها | ||
| الگوریتم نقطه درونی؛ بازده؛ بهینه‌سازی سبدسهام؛ ریسک | ||
| عنوان مقاله [English] | ||
| Interior Point Algorithm in Multi-objective Portfolio Optimization: GlueVaR Approach | ||
| نویسندگان [English] | ||
| Elaheh Gohania1؛ Gholamreza Mansourfar2؛ Fahimeh Biglari3 | ||
| 1MSe., Department of Accounting and Financial Management, Faculty of Economics and Management and, Urmia University, Urmia, Iran. | ||
| 2Associate Prof., Department of Accounting and Financial Management, Faculty of Economics and Management and, Urmia University, Urmia, Iran. | ||
| 3Assistant Prof., Department of Mathematics, Faculty of Mathematics, Urmia University of Technology, Urmia, Iran. | ||
| چکیده [English] | ||
| Objective Investors, in their pursuit to maximize expected returns, minimize risks in their stock portfolios, and achieve the desired benefits, require suitable methods and criteria to select stocks for their portfolios and allocate capital. One of the most important things in stock portfolio optimization is the use of a suitable optimization algorithm. The function of the multi-objective portfolio optimization model is quadratic. Quadratic functions are a special class of nonlinear programming problems in which the objective function is quadratic and the constraints are linear. Common algorithms for quadratic programming require certain parameters with fixed values. Such algorithms are extensively employed for solving real-world problems, particularly in financial contexts. The major objective of this research is to apply the inner point mathematical algorithm to optimize the stock portfolio and to use this algorithm to address the multi-objective portfolio optimization problem. With the GlueVaR risk measurement criterion, the problem of portfolio optimization takes into account the two objectives of maximizing returns during the research period and reducing investment risk, reassuring investors to make better and more accurate decisions about the final object of this research. Methods The necessary information for this study was provided by 50 active companies listed on the Tehran Stock Exchange. However, due to the availability of their daily prices during the study period, the final number of companies considered was reduced to 33. The inner point mathematical approach was utilized to optimize the model with the dual objectives of increasing efficiency and reducing risk. To demonstrate the effectiveness and capability of the algorithm in solving the problem of two-objective optimization, its output was compared with other risk measurement criteria such as variance, and value at risk (VaR). The investment risk in the stock portfolio was also calculated using the GlueVaR criterion. Comparing conditional (CVaR) was also done. The GlueVaR criterion has the advantage over the other criteria since it takes the investor's attitude toward risk into account. This advantage formed the basis of the calculation method in this research according to the mentioned algorithm. Results According to the research, value at risk (VaR) and conditional value at risk (CVaR) perform better than other variance risk measures in the portfolio optimization model with the GlueVaR risk measure and the internal point optimization method for determining the most effective border. Additionally, when applied to optimization problems, the internal point method discovers the optimal point with fewer iterations, providing strong evidence of the algorithm's effectiveness. Conclusion Based on the current findings, it is evident that the internal point algorithm is effective in resolving stock portfolio optimization issues. Additionally, the GlueVaR risk measurement criterion outperforms VaR, variance, and CVaR for most investors with diverse risk and return preferences | ||
| کلیدواژه‌ها [English] | ||
| Internal point algorithm, Portfolio optimization, Risk, Return | ||
| مراجع | ||
|
آقامحمدی، علی؛ سجودی، مهدی؛ سجودی، میثم و طاووسی، محمدجواد (1396). معرفی معیار ریسک جدید GlueVaR و برآورد آن با استفاده از مدل رگرسیونی چندکی ترکیبی. مجله مهندسی مالی و مدیریت اوراق بهادار، 8 (31)، 17-1.
آصفی، سپهر؛ فلاح تفتی، سپهر؛ باقری کاظم آبادی، محمدرضا؛ فلاح‌پور، سیما (1397). بهینه‌سازی سبدسهام با استفاده از الگوریتم فراابتکاری نهنگ با معیار ریسک ریزش مورد انتظار. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 9(37)، 110-132.
احمدی اقدم، محمد؛ تقی‌زاده یزدی، محمدرضا؛ فلاح پور، سعید. (1395). انتخاب پرتفوی بهینه با استفاده از برنامه ریزی فراآرمانی و برنامه‌ریزی آرمانی ترتیبی توسعه یافته. تحقیقات مالی، 18(4)، 591- 612.
اقبالنیا، محمد (1384). طراحی مدلی برای مدیریت ریسک سرمایه‌گذاری در بورس اوراقبهادار تهران با استفاده از مفهوم ارزش در معرض ریسک. پایاننامه کارشناسی ارشد، گروه مدیریت مالی، دانشگاه شهید بهشتی، تهران.
خوش‌بین، رسول؛ رضایی، فرزین؛ رستگار سرخه، محمدعلی (1399). مدیریت ریسک نقدینگی در عملیات بازار باز بانکی با معیار GlueVaR. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 45، 199- 223.
دریائی، فاطمه؛ عطائی، علیرضا؛ اسکروچی، محمدرضا (1399). یک الگوریتم جدید مبتنی بر روش نقطه درونی برای حل مسائل بهینه‌سازی نیمه نامتناهی. سیزدهمین کنفرانس بین‌المللی انجمن ایرانی تحقیق در عملیات، 16 الی 19 شهریور 1399، دانشگاه صنعتی شاهرود.
راعی، رضا (1385). انتخاب سبد سرمایه ریسکی با استفاده از شبکه‌های عصبی. بررسی‌های حسابداری و حسابرسی، 13(4)، 70-83.
راعی، رضا؛ نمکی، علی؛ احمدی؛ مؤمن (1401). پیاده‌سازی رویکرد استوا نسبی برای انتخاب پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از برنامه‌ریزی مخروطی مرتبه‌دوم. تحقیقات مالی، 24(2)، 184- 213.
رضایی، اسعداله؛ فلاحتی، علی؛ سهیلی، کیومرث (1397). بهینه‌سازی سبدسهام با استفاده از الگوریتم تجمع ذرات سه هدفه. فصلنامه نظریه‌های کاربردی اقتصاد، 5(4)، 31-52.
رهنمای رودپشتی، فریدون؛ چاوشی، کاظم؛ صابر، ابراهیم (1393). بهینه‌سازی پرتفوی متشکل از سهام صندوقهای سرمایه‌گذاری مشترک بورس اوراقبهادار تهران با رویکرد الگوریتم ژنتیک. فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 3(12)، 217- 231.
سینایی، حسنعلی و سعید، زمانی (1393). تصمیمگیری برای انتخاب سبد سهام و مقایسه الگوریتم‌های ژنتیک و زنبورعسل. پژوهشنامه علمی پژوهشی مدیریت اجرایی، 6 (11)، 83-102.
شیرکوند، سعید؛ فدائی، حمیدرضا (1401). بهینه‌سازی سبدسهام با به کارگیری مدلهای چند متغیره و امگا ـ ارزش در معرض ریسک شرطی بر پایه ملاک حداقل حداکثر پشیمانی. تحقیقات مالی، 24(1)، 1-17.
طالبنیا، قدرت اله؛ فتحی، مریم (1389). ارزیابی مقایسهای انتخاب پرتفوی بهینه سهام در بورس اوراقبهادار تهران از طریق مدلهای مارکوییتز و ارزش در معرض خطر. مجله دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 3(6)، 71-93.
عبدالعلیزاده شهیر، سیمین؛ عشقی، کوروش (1382). کاربرد الگوریتم ژنتیک در انتخاب یک مجموعه دارایی از سهام بورس اوراق بهادار. فصلنامه پژوهشهای اقتصادی ایران، 5(17)، 175-192.
علی‌پور جورشری، ارمغان؛ یاکیده، کیخسرو؛ محفوظی، غلامرضا (1396). بررسی عملکرد مدل های مارکوییتز و GMD در انتخاب پرتفوی بهینه. دومین کنفرانس بین‌المللی مدیریت صنعتی، 30 و 31 فروردین، دانشگاه مازندران.
قندهاری، مریم؛ آذر، عادل؛ یزدانیان، احمدرضا و گل ارضی، غلامحسین (1398). ارائه ترکیبی از برنامه ریزی پویای تصادفی تقریبی و الگوریتم ژنتیک در بهینه‌سازی چند مرحله‌ای سبدسهام با معیار ریسک GlueVaR. مدیریت صنعتی، 11(3)، 517- 542.
کریمی، مریم (1386). بهینه‌سازی پرتفوی با استفاده از مدل ارزش در معرض خطر در بورس اوراقبهادار تهران. پایاننامه کارشناسی ارشد، دانشکده علوم‌اجتماعی و اقتصادی، دانشگاه الزهرا، تهران.
گل‌ارضی، غلامحسین؛ انصاری، حمیدرضا (1401). مقایسه عملکرد الگوریتم‌های تکاملی NSGAII و SPEA2 در انتخاب پرتفولیو بهینه در بورس اوراق بهادار تهران. تحقیقات مالی، 24(3)، 410- 430.
نشاطی‌زاده، لعیا؛ حیدری، حسن (1398). بررسی معیارهای نوسانپذیری و ریسک در مدلهای بهینه‌سازی مقید با استفاده از الگوریتم رقابت استعماری. فصلنامه مدل‌سازی اقتصادسنجی، 3 (4)، 11-35.
نیلچی، مسلم؛ فرید، داریوش؛ زارع، محمدحسن (1398). ارزیابی مقایسه ای رویکرد مارکوییتز با یک روش ترکیبی بهمنظور تشکیل پرتفوی بهینه با کاربرد یادگیری عمیق DNN و الگوریتم جست‌وجوی گرانشی. نشریه چشم‌انداز مدیریت مالی، 9(4)، 165-188.
هاشمی نژاد؛ سیدعلی، باقرپور؛ مرتضی (1398). تعیین سبد بهینه سرمایه گذاران خطرپذیر براساس روش ترکیبی مدل‌سازی عامل محور و جست‌وجوی هارمونی اصلاح شده. تحقیقات مالی، 21 (4)، 493- 516.
References Abdul Alizadeh Shahir, S. & Eshghi, K. (2012). Application of Genetic Algorithm in the selection of a set of assets from Stock Exchange stocks. Iran Economic Research Quarterly, 5(17), 175-192. (in Persian) Agha Mohammadi, A., Sojodi, M., Sojodi, M. & Tavousi, M.J. (2016). Introducing the new GlueVaR risk measure and its estimation using the combined quantile regression model, Journal of Financial Engineering and Securities Management, 8(31), 1-17. (in Persian) Ahmadi Aghdam, M., Taghizadeh Yazdi, M. & Fallahpour, S. (2015). Choosing the optimal portfolio using meta-optimal planning and extended sequential optimal planning. Journal of Financial Research, 18 (4), 591-612. (in Persian) Alipour Jourshari, A., Yakideh, K. & Mahfovi, G. R. (2016). Investigating the performance of Markowitz and GMD models in choosing the optimal portfolio. The second international industrial management conference, April 30 and 31, Mazandaran University. (in Persian) Aqbal-Nia, M. (2004). Designing a model for investment risk management in Tehran Stock Exchange using the concept of value at risk. Master's thesis, Department of financial management, Shahid Beheshti University, Tehran. (in Persian) Artzner, P.H., Delbaen Freddy, E. & Jean-Marc, H.D. (1999). Coherent Measures of Risk. Journal of Mathematical Finance, 9(3), 203-228. Asefi, S., Fallah Tafti, S., Bagheri Kazemabadi, M. & Fallahpour, S. (2017). Optimizing portfolios using the meta-heuristic algorithm of the whale with the criterion of expected drop risk. Quarterly Journal of Financial Engineering and Securities Management, 9(37), 110-132. (in Persian) Belles – Sampera, J., Guillen, M. & Santolino, M. (2014). Beyond Value-at-Risk: GlueVaR distortion risk measure. Risk Analysis, 34 (1), 121-134. Belles-Sampera, J., Guillen, M. & Santolino, M. (2016). The use of flexible quantile-based measures in risk assessment. Communications in Statistics – Theory and Methods, 45(6), 1670-1681. Belles-Sampera, J., Guillen, M. & Santolino, M. (2014). GlueVaR risk measures in capital allocation applications. Mathematics and Economics, 58:132-37. Campbel, R., Huisman, R. & Koedijk, K. (2001). Optimal portfolio selection in a value-at-risk framework. Journal of Banking and Finance, 25, 1789-1804. Cornuejols, G. Pena, J. & Tütüncü, R. (2018). Optimization methods in finance (2nd Ed.). Cambridge University Press. Daryaei, F., Atai, A. & Scroochi, M.R. (2019). A new algorithm based on the interior point method for solving semi-infinite optimization problems. The 13th International Conference of the Iranian Association for Operations Research, 16-19 September 2019, Shahrood University of Technology. (in Persian) Demone, C., Di Matteo, O. & Collignon, B. (2020). Classical Decomposition of Markowitz Portfolio Selection. Https://dio.org/10.34989/swp-2020-21. Erica, E., Handari, B. D. & Hertono, G. F. (2018). Agglomerative Clustering and Genetic Algorithm in Portfolio Optimization. AIP Conference Proceedings 2023, 02017, Https://dio.org/10.1063/1.506421. Ghandehari, M., Azar, A., Yazdanian, A. R., & Golarzi, GH. (2018). Presenting a combination of approximate stochastic dynamic programming and genetic algorithm in multi-stage optimization of portfolios with GlueVaR risk criterion. Industrial Management, 11 (3), 517-542. (in Persian) Golarzi, G. & Ansari, H. (2022). Performance comparison of Non-dominated sorting genetic algorithm with strength Parto evolutionary algorithm in selecting optimal portfolios in Tehran Stock Exchange. Financial Research Journal, 24(3), 410-430. (in Persian) Gondzio, J. & Grothey, A. (2007). Solving Nonlinear Portfolio Optimization Problems with the Primal-Dual Interior Point Method. European Journal of Operational Research,181(3), 1019-1029. Hasheminejad, S. A., & Bagherpour, M. (2020). Venture Capital Portfolio Optimization through Hybrid Approach of Agent-Based Modeling and Modified Harmony Search. Financial Research Journal, 21(4), 493-516. doi: 10.22059/frj.2019.277295.1006833 (in Persian) Huang, Y. & Yin, C. (2019). Optimal reciprocal reinsurance under GlueVaR distortion risk measures. Journal of Mathematical Finance, 9(1), 11-24. Jetpipattanapong, D. & Srijuntongsiri, G. (2021). An efficient method to compute search directions of an infeasible primal-dual path-following interior-point method for large-scale block diagonal quadratic programming. Journal of Science & Technology, 43(5), 1449-1455. Jia, J. & Dyer, J.S. (2000). A standard measure of risk and risk-value models. Management Science, 42 (12), 1691-1705. Kardos, J. (2020). High-performance interior point methods. Doctoral Dissertation, Faculty of Informatics, University della Svizzera, Italiana. Karimi, M. (2007). Portfolio optimization using the value-at-risk model in Tehran Stock Exchange. Master's thesis, Faculty of Social and Economic Sciences, Al-Zahra University, Tehran. (in Persian) Khoshbin, R., Rezei, F. & Rastakhiz Sorkhe, M. (2021). Liquidity risk management in open banking market operations with GlueVaR criteria. Financial Engineering and Securities Management Quarterly, 45:199-223. Krezolek, D. & Trzpiot, G. (2017). The Effectiveness of the GlueVaR Risk Measure on the Metals – the Application of Omega Performance Measure. Journal of Folia Oeconomica, 5(331), 153-167. Krezolek, D. (2017). The use of Value-at-Risk methodology in the assessment of investor's risk attitudes on the precious metals market. Journal of Ekonometria Econometrics, 3(57), 101-112. Lau, M. S. K., Yue, S. P., Ling, K. V. & Maciejowski, J. M. (2009). A Comparison of Interior Point and Active Set Methods for FPGA Implementation of Model Predictive Control. European Control Conference (ECC), Budapest, Hungary, August 23-26, 156-161. Li, D. (2016). Optimal Dynamic Portfolio Selection: Multiperiod Mean Variance Formulation. Mathematical Finance, 10(5), 387-406. Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7 (1), 77 – 91. Neshatizadeh, L. & Heydari, H. (2018). Investigating volatility and risk criteria in constrained optimization models using colonial competition algorithm. Econometric modeling, 3(4), 11-35. (in Persian) Nilchi, M., Farid, D. & Zare, M. H. (2018). Comparative evaluation of Markowitz approach with a hybrid method to form optimal portfolio using DNN deep learning and gravity search algorithm. Journal of Financial Management Perspectives, 9(4), 165-188. Nocedal, J. & Wright, S. (2006). Numerical optimization. Springer Science & Business Media, Printed in the United States of America. Raei, R. (2006). Risk capital portfolio selection using neural networks. Accounting and auditing reviews, 13(4), 70-83. (in Persian) Raei, R., Namaki, A. & Ahmadi, M. (2022). Applying the Relative Robust Approach for Selection of Optimal Portfolio in the Tehran Stock Exchange by Second-order Conic Programming. Financial Research Journal, 24(3), 184-213. (in Persian) Rahnemaye Rudposhti, F., Chavoshi, K. & Saber, A. (2013). Optimization of the portfolio consisting of shares of joint investment funds of the Tehran Stock Exchange with the approach of genetic algorithm. Scientific Research Quarterly of Investment Knowledge, 3(12), 217-231. (in Persian) Rezaei, A., Falahati, A. & Sohaili, K. (2017). Optimizing stocks using a three-objective particle aggregation algorithm. Quarterly Journal of Applied Economic Theories, 5(4), 31-52. Shirkund, S. & Fedai, H. (2022). Optimizing portfolios using multivariate models and omega-value under conditional risk based on minimum maximum regret criteria. Journal of Financial Research, 24(1), 1-17. (in Persian) Sinayi, H.A. & Zamani, S. (2013). Decision-making for stock portfolio selection and comparison of genetic and bee algorithms. Executive Management Scientific Research Journal, 6 (11), 102-83. (in Persian) Takehara, H. (1993). An interior point algorithm for large-scale portfolio optimization. Annals of Operations Research, 45: 373-386. Taleb-nia, G. & Fathi, M. (2010). Comparative evaluation of optimal stock portfolio selection in Tehran Stock Exchange through Markoitz and value at risk models. Journal of Financial Knowledge of Securities Analysis (Financial Studies), 3(6), 71-93. (in Persian) Woodside – Oriakhi, M. Lucas, C. Beasly, J. E. (2011). Heuristic Algorithms for the cardinality constrained efficient, frontier. European Journal of Operational Research, 213 (3), 538 – 550. Yamai, Y. & Yoshiba, T. (2002). On the Validity of Value-at-Risk: Comparative Analyses with Expected Shortfall. Monetary and Economic Studies, 20 (1), 57-85. Yin, C. & Zhu, D. (2016). A new class of distortion risk measures and their tail asymptotics with emphasis on VaR. dio.org/10.48550/arXiv.1503.08586. Yi-Shuai, N. Wang, Y. J. (2022). Higher-order Moment Portfolio Optimization via an Accelerated Difference-of-Convex Programming Approach and Sums-of-Squares. Mathematics of Operations Research. | ||
|
آمار تعداد مشاهده مقاله: 190 تعداد دریافت فایل اصل مقاله: 163 |
||