بهینه‌سازی سبد سهام بورس اوراق بهادار با استفاده از الگوریتم‌‌های فراکاوشی

بهینه‌سازی سبد سهام بورس اوراق بهادار با استفاده از الگوریتم‌‌های فراکاوشی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان

2 دانشجوی دکتری دانشکده ی اقتصاد دانشگاه شهید چمران اهواز

3 کارشناس ارشد مدیریت بازرگانی، دانشگاه آزاد اسلامی، واحد تهران- مرکز.

چکیده

یکی از رویکردهای بهینه‌یابی که در علوم مختلف مورد استفاده قرار می‌گیرد الگوریتم‌های فراکاوشی می‌باشد. در این پژوهش، با استفاده از الگوریتم فراکاوشی جدید جستجوی موجودات همزیست (SOS) مدلی برای انتخاب بهینه پرتفوی معرفی گردیده و سپس نتایج بدست آمده از آن با نتایج بدست آمده از الگوریتم‌های قدیمی‌تر ژنتیک (GA) و ازدحام ذرات (PSO) مقایسه گردیده است. بدین منظور با استفاده از اطلاعات ده ماهه‌ی بازده‌ی 50 شرکت برتر بورس، پرتفوی بهینه با توجه به هدف حداکثر سازی سود و حداقل سازی ریسک به وسیله‌‌ی الگوریتم‌های مذکور برآورد و با یکدیگر مقایسه گردیده است. نتایج به دست آمده از اجرای الگوریتم‌ها حاکی از آن است که علیرغم توانایی بالای الگوریتم‌‌های مورد بررسی در بهینه‌سازی سبد سهام، الگوریتم SOS در مقایسه با سایر الگوریتم‌‌های مورد بررسی توانایی بالاتری در بهینه‌سازی سبد سهام دارد

کلیدواژه‌ها


عنوان مقاله [English]

Optimal Portfolio Stock Exchange Using Meta-heuristic Algorithms

نویسندگان [English]

  • Hossein Akbarifard 1
  • reza alaei 2
  • Ahmad Anaraki Mohammadi 3
چکیده [English]

One of the most applicable optimization approaches used in different sciences is Meta-heuristic Algorithms. This study, by new Meta-heuristic Algorithms, Symbiotic Organisms Search (SOS), introduces the model for selection of optimum portfolio and then the result is compared with the result of older algorithm, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). Therefore, the ten-month information of operation of 50 top companies in the Stock Exchange is extracted and estimated an optimized portfolio with the objectives of maximum efficiency and minimum risk by Symbiotic Organisms Search (SOS), Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) is estimated. The results of the algorithm showed that despite the ability of these algorithms to portfolio optimization, SOS algorithm has a higher ability to optimization.

کلیدواژه‌ها [English]

  • Genetic Algorithm
  • Particle Swarm Optimization
  • Portfolio Optimization
  • Symbiotic Organisms Search Algorithms
  1. امیری، مقصود، شریعت پناهی، مجید.، بناکار، محمد هادی. (1389). «انتخاب سبد سهام بهینه با استفاده از تصمیم گیری چند معیاره»، فصلنامه بورس اوراق بهادار، شماره 11، ص24-5.
  2. راعی، ر.، محمدی، ش. و علی بیگی، ه. (1389). «بهینه‌سازی سبد سهام با رویکرد میانگین نیم واریانس و با استفاده از روش جستجوی هارمونی»، پژوهش‌های مدیریت در ایران،  شماره3، ص 128-105.
  3. رضائی پندری. ع.، آذر. ع. و رعیتی شوازی. ع. (1390). «به‌کارگیری الگوریتم ژنتیک برای انتخاب پرتفولیوی بهینه‌ای با اهداف غیرخطی (بورس اوراق بهادار تهران)»، فصلنامه پژوهش‌های اقتصاد ایران، سال شانزدهم، شماره 48، ص 134-109.
  4. طالب نیا، ق. و احمدی نظام‌آبادی، ف. (1389). «بررسی قدرت پیش‌بینی مدل سه عاملی فاماو فرنچ و مدل ارزش در معرض خطر در انتخاب پرتفوی بهینه سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران»، مجله حسابداری مدیریت، شماره 6، ص 62-49.
  5. طالبی، آ. (1389). «نتخاب و بهینه‌سازی سبد سهام با استفاده از روش‌های فرا ابتکاری و مقایسه‌ی آن با سبدهای تشکیلی خبرگان و تازه‌کارها در بازار بورس اوراق بهادار تهران». پایان‌نامه کارشناسی ارشد. دانشگاه صنعتی شاهرود.
  6. عبدالعلی‌زاده شهیر، س. و عشقی،ک. (1382). «کاربرد الگوریتم ژنتیک در انتخاب یک مجموعه دارایی از سهام بورس اوراق بهادار». فصلنامه پژوهش‌های اقتصادی ایران، شماره17.
  7. مدرس، ا. و محمدی استخری، ن. (1386). «انتخاب یک سبد سهام از بین سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه‌سازی الگوریتم ژنتیک». مجله توسعه و سرمایه. شماره 1، ص 92-71.
  8. نویدی، ح.، نجومی مرکید، ا. و میرزا زاده، ح. (1388). «تشکیل پرتفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیک». مجله تحقیقات اقتصادی، شماره 89، ص 262-243.

9. Anagnostopoulos, K.P. and Mamanis, G., (2011). »Multiobjective evolutionary algorithms for complex portfolio optimization problems«. Computational Management Science, 8(3), pp.259-279.

10. Chang, T.J., Yang, S.C. and Chang, K.J., )2009(. »Portfolio optimization problems in different risk measures using genetic algorithm«. Expert Systems with Applications, 36(7), pp.10529-10537.

11. Cheng, M.Y. and Prayogo, D., )2014(. »Symbiotic organisms search: a new metaheuristic optimization algorithm«. Computers & Structures, 139, pp.98-112.

12. Cura, T., )2009(. »Particle swarm optimization approach to portfolio optimization«. Nonlinear Analysis: Real World Applications, 10(4), pp.2396-2406.

13. Sadati, M.E.H. and Mohasefi, J.B., )2014(. »The Application of Imperialist Competitive Algorithm for Fuzzy Random Portfolio Selection Problem«. arXiv preprint arXiv:1402.4834.

14. Sadati, M.E.H. and Doniavi, A., )2014(. »Optimization of Fuzzy Random Portfolio selection by Implementation of Harmony Search Algorithm«. arXiv preprint arXiv:1402.4066.

15. Hao, F.F. and Liu, Y.K., )2009(. »Mean-variance models for portfolio selection with fuzzy random returns«. Journal of Applied Mathematics and Computing, 30(1), pp.9-38.

16. Lazo, J.G., Vellasco, M.M. and Pacheco, M.A.C., )2000(. »A hybrid genetic-neural system for portfolio selection and management«. In Proceedings of the Sixth International Conference on Engineering Applications of Neural Networks (pp. 17-19).

17. Mahfoud, S. and Mani, G., )1996(. »Financial forecasting using genetic algorithms«. Applied artificial intelligence, 10(6), pp.543-566.

18. Pacheco, M.A., Noronha, M., Vellasco, M. and Lopes, C., )2000(,. »Cash flow planning and optimization through genetic algorithms«. In Computing in Economics and Finance. July

19. Salahi, M., Daemi, M., Lotfi, S. and Jamalian, A., )2014(. »PSO and harmony search algorithms for cardinality constrained portfolio optimization problem«. AMO–Advanced Modeling and Optimization, 16 (3),  pp.559-573.

20. Tran, D.H., Cheng, M.Y. and Prayogo, D., )2016(. »A novel Multiple Objective Symbiotic Organisms Search (MOSOS) for time–cost–labor utilization tradeoff problem«. Knowledge-Based Systems, 94, pp.132-145.

21. Panda, A. and Pani, S., )2016(. »A Symbiotic Organisms Search algorithm with adaptive penalty function to solve multi-objective constrained optimization problems«. Applied Soft Computing, 46, pp.344-360.

22. Tejani, G.G., Savsani, V.J. and Patel, V.K., )2016(. »Adaptive symbiotic organisms search (SOS) algorithm for structural design optimization«. Journal of Computational Design and Engineering, 3(3), pp.226-249.

23. Yang, X., )2006(. »Improving portfolio efficiency: A genetic algorithm approach«. Computational Economics, 28(1), pp.1-14.