مقایسه عملکرد الگوریتم ژنتیک فازی و جست و جوی شکار فازی در بهینه سازی پرتفوی فازی با استفاده از مدل میانگین ـ واریانس در بورس اوراق بهادار تهران

مقایسه عملکرد الگوریتم ژنتیک فازی و جست و جوی شکار فازی در بهینه سازی پرتفوی فازی با استفاده از مدل میانگین ـ واریانس در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشکده صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران

2 استاد تمام گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

3 دانشیار گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

4 دانشجوی دکترای مدیریت مالی پردیس البرز، دانشگاه تهران، تهران، ایران

چکیده

بازده دارایی ها با عدم اطمینان همراه است و همواره در طی زمان نوسانات غیرمنتظره ای به لحاظ شرایط اقتصادی، اجتماعی و سیاسی و ... در بازدهی دارایی ها از جمله سهام روی می دهد. منطق فازی می تواند یکی از گزینه های مناسب برای مدل کردن بازده دارایی ها باشد. همین منظور یک سیستم خبرۀ فازی مبتنی بر قاعده برای حمایت از مدیران سرمایه‌گذاری در تصمیمات سرمایه‌گذاری میان مدتشان ساخته شده است. با توجه به غیرخطی بودن مسئله انتخاب پرتفوی و همچنین، NP-Hard بودن آن، در پژوهش حاضر، انتخاب و بهینه سازی سبد سهام بر اساس منطق فازی با استفاده از دو الگوریتم فراابتکاری شامل الگوریتم ژنتیک فازی و جست جوی شکار فازی مورد بررسی قرار گرفته است. کارایی سیستم فازی پیشنهادی توسط اطلاعات 157 شرکت که در بورس اوراق بهادار تهران در سال‌های 1387 تا 1397 فعالیت داشته‌اند، ارزیابی شده است. کارایی این سیستم بر حسب ریسک پذیری و مدت سرمایه‌گذاری، در مقایسه با متوسط بازده بازار بوده است. به علاوه کارایی سیستم فازی پیشنهادی برای سرمایه‌گذار ریسک گریز در کوتاه مدت نتایج بسیار خوبی به همراه دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of the Performance of Genetic and Hunting Search Algorithms in Portfolio Optimization Using Mean-Variance Model Based on Fuzzy Logic in Tehran Stock Exchange

نویسندگان [English]

  • Seyyed Mojtaba Mirlohi 1
  • Reza Tehrani 2
  • ezatolah abbasian 3
  • Ali Jaberizadeh 4
1 Assistant Professor at industrials and management department, Shahrood University, Shahrood, Iran.
2 Full Professor at financial management department, Tehran University, Tehran, Iran
3 Associate Professor at financial management department, Tehran University, Tehran, Iran.
4 Phd student of financial management at Alborz college, Tehran university, Tehran, Iran
چکیده [English]

Asset return is associated with uncertainty and always occurs during unexpected fluctuations in economic, social and political conditions, and so forth. In return on assets such as stocks. Fuzzy logic can be one of the best options for modelling asset returns. For this purpose, a rule based fuzzy expert system has been developed to support investment managers in their mid term investment decisions. Considering the non linearity of the portfolio selection problem and its NP Hard, the performance of the proposed fuzzy system is evaluated by the information of 157 companies that have been active in Tehran Stock Exchange between 2008 to 2018 using of Fuzzy Genetic and Fuzzy Hunting Search Algorithms. The system's performance in terms of risk taking and duration of investment was comparable to average market returns. Besides, the performance of the proposed fuzzy system for the risk averse investor in the short run yields good results.

کلیدواژه‌ها [English]

  • Markowitz Model
  • Fuzzy logic
  • Genetic Algorithm
  • Hunting search algorithm
  1. الهی مرتضی، محسن یوسفی و یحیی زارع مهرجردی. (1393). "بهینه سازی سبد سهام با رویکرد میانگین واریانس و با استفاده از الگوریتم فرا ابتکاری جست و جوی شکار". مجله تحقیقات مالی. دوره 16 شماره 1. صص 37-56.
  2. پاک مرام عسگر، جمال بحری ثالث و مصطفی ولی زاده. (1396). "انتخاب و بهینه سازی سبد سهام با استفاده از الگوریتم ژنتیک، با بهره گیری از مدل میانگین نیمه واریانس مارکویتز". مجله مهندسی مالی و مدیریت اوراق بهادار. شماره 31. صص 19-42.
  3. خاکبیز مسلم، عباس رضایی پندری و محمود دهقان نیری.(1396) "طراحی مدل ریاضی متنوع سازی سبد سهام و حل آن با استفاده از الگوریتم ژنتیک". چشم انداز مدیریت صنعتی. شماره 25. صص 173-196.
  4. روحی، علی و محققی ریاضی، محمد. (1387). "ارزیابی عملکرد سبد اوراق بهادار شرکتهای سرمایه‌گذاری در بورس اوراق بهادار تهران، مدل علمی میانگین- واریانس در مقایسه با مدل علمی میانگین -واریانس- چولگی." پژوهش‌های حسابداری و مالی. دوره 1 شماره 2. صص 103-116.
  5. نشاطی زاده (1396) بهینه سازی سبد سهام با استفاده از الگوریتم‌های متاهیوریستیک با در نظر گرفتن محدودیت حداقل و حداکثر از هر سهم. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره 42. صص 25-56.
  6. Ahmadi-Javid, A., Fateminia, S. H., & Gemünden, H. G. (2019). A Method for Risk Response Planning in Project Portfolio Management. Project Management Journal, 8756972819866577.
  7. Fernández, A., & Gómez, S. (2007). Portfolio selection using neural networks. Computers & Operations Research, 34(4), 1177-1191.
  8. Li, X., Qin, Z., & Kar, S. (2010). Mean-variance-skewness model for portfolio selection with fuzzy returns. European Journal of Operational Research, 202(1), 239-247.
  9. Mansour, N., Cherif, M. S., & Abdelfattah, W. (2019). Multi-objective imprecise programming for financial portfolio selection with fuzzy returns. Expert Systems with Applications.
  10. Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
  11. Ni, Y. H., Li, X., Zhang, J. F., & Krstic, M. (2019). Equilibrium solutions of multi-period mean-variance portfolio selection. IEEE Transactions on Automatic Control.
  12. Ngai, E. W. T., & Wat, F. K. T. (2003). Design and development of a fuzzy expert system for hotel selection. Omega, 31(4), 275-286.
  13. Oftadeh, R., Mahjoob, M. J. & Shariatpanahi, M. (2010). A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search. Computers and Mathematics with Applications, 60 (7): 2087-2098.
  14. Parra, M. A., Terol, A. B., & Urıa, M. R. (2001). A fuzzy goal programming approach to portfolio selection. European Journal of Operational Research, 133(2), 287-297.
  15. Tanaka, H., & Guo, P. (1999). Portfolio selection based on upper and lower exponential possibility distributions. European Journal of operational research, 114(1), 115-126.
  16. Vercher, E., Bermúdez, J. D., & Segura, J. V. (2007). Fuzzy portfolio optimization under downside risk measures. Fuzzy sets and systems, 158(7), 769-782.
  17. Yunusoglu, M. G., & Selim, H. (2013). A fuzzy rule based expert system for stock evaluation and portfolio construction: An application to Istanbul Stock Exchange. Expert Systems with Applications, 40(3), 908-920.