پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,028 |
| تعداد مشاهده مقاله | 67,082,855 |
| تعداد دریافت فایل اصل مقاله | 7,656,347 |
انتخاب بهینه سبد سهام با محدودیت با استفاده از الگوریتم ژنتیک تنظیم شده | ||
| مدل سازی در مهندسی | ||
| مقاله 1، دوره 12، شماره 38، آذر 1393، صفحه 1-13 اصل مقاله (764.26 K) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1675 | ||
| نویسندگان | ||
| علی نعیمی صدیق؛ پوریا وفادوست سبزوار* | ||
| دانشگاه سمنان | ||
| تاریخ دریافت: 09 بهمن 1395، تاریخ بازنگری: 27 شهریور 1396، تاریخ پذیرش: 09 بهمن 1395 | ||
| چکیده | ||
| سبد سهام مجموعه یا ترکیبی از سرمایه گذاریهاست که ممکن است توسط یک فرد یا یک سازمان انجام شوند. بنابراین بهینه سازی آن بسیار اهمیت پیدا می کند چرا که در این صورت می توان با کمترین ریسک بیشترین سود را بدست آورد. این مقاله مسئله بهینه سازی سبدسهام را با اضافه کردن محدودیت هایی مثل حدود خرید و محدود کردن تعداد خرید، برای نزدیک تر شدن به شرایط دنیای واقعی مورد بررسی قرار می دهد این در حالی است که روش های عادی نمی توانند جواب های قابل قبولی را برای آن ارائه دهند. بنابراین ما برای حل این مسئله از الگوریتم ژنتیک که با الهام از پدیده طبیعی تکامل، پایه ریزی شده استفاده نموده ایم. الگوریتم ژنتیک توسط افراد دیگری برای این مسئله مورد استفاده قرار گرفته اما جواب های آن با روش های نوین ابداعی که به تازگی برای آن استفاده می شوند قابل رقابت نیست در این مقاله نشان می دهیم که این الگوریتم هنوز کارایی لازم را دارد. پارامتر های مختلفی که در این الگوریتم مورد استفاده قرار گرفته است همگی بوسیله روش آماری تاگوچی کالیبره شده اند. در نهایت با مقایسه نتایج این روش با سایر روش ها پی به کارا بودن این الگوریتم برای مسئله سبد سهام می بریم. | ||
| کلیدواژه‌ها | ||
| سبد سهام؛ الگوریتم ژنتیک؛ بهینه سازی سبد سهام؛ سبد سهام با محدودیت؛ روش تاگوچی | ||
| عنوان مقاله [English] | ||
| CONSTRAINED PORTFOLIO SELECTION OPTIMIZATION USING CALIBRATED GENETIC ALGORITHM | ||
| نویسندگان [English] | ||
| ali naimi sadigh؛ puria vafadoust sabzevar | ||
| چکیده [English] | ||
| Portfolios are a proper collection of investments choosing by an organization or a person. Hence portfolio optimization is a very prominent problem by optimizing which we can attain more profit with the less risk. In this paper, we consider a portfolio optimization problem with some constraints such as boundary and cardinality constraints. Although adding these constraints makes the model more adapted to real world problems, it leads to disability of exact methods to find the optimal solutions in a reasonable time. In order to find optimal solutions, we use an improved genetic algorithm inspiring by natural evolution. We indicate that our proposed algorithm is more efficient and effective than many genetic algorithms which have been previously presented. Parameter setting of the proposed algorithm is done by means of a statistical method based on Taguchi technique. Finally, we perform some computational experiments which confirm the efficiency of our algorithm for portfolio optimization. | ||
| کلیدواژه‌ها [English] | ||
| Portfolio Selection, Genetic algorithm, Portfolio Optimization, Constrained Portfolio, Taguchi Technique | ||
| مراجع | ||
|
[1] Markowitz, H. M. (1952) “Portfolio selection”, The Journal of Finance, 7(1); 77-91. [2] Konno, H., and Yamazaki, H. (1991) “Mean-absolute deviation portfolio optimization model and its application to the Tokyo Stock Market”, Management Science, 37(5); 519-531. [3]Moon, Y., and Yao, T. (2011). “A robust mean absolute deviation model for portfolio optimization”, Computers & Operations Research, 38(9); 1251-1258. [4] Simaan, Y. (1997) “Estimation Risk in Portfolio Selection: The Mean Variance Model Versus the Mean Absolute Deviation Model”, Management Science, 43(10); 1437-1446. [5] Lee, S. M., and Chesser, D. L. (1980) “Goal programming for portfolio selection”, The journal of portfolio management, 6(3); 22-26. [6] Young M. R. (1998) “A Minimax Portfolio Selection Rule with Linear Programming Solution” Management Science, 44(5); 673-683. [7] Polak, G. G., Rogers, D. F., and Sweeney, D. J. (2010) “Risk management strategies via minimax portfolio optimization” European Journal of Operational Research. 207(1); 409-419. [8] Anagnostopoulos, K. P., and Mamanis, G. (2010) “A portfolio optimization model with three objectives and discrete variables”,Computers & Operations Research, 37(7); 1285-1297. [9] Chang, T.-J., Meade, N., Beasley, J. E., and Sharaiha, Y. M. (2000) “Heuristics for cardinality constrained portfolio optimization” Computers & Operations Research. 27(13); 1271-1302. [10] Yang, X. (2006) “Improving portfolio efficiency: a Genetic Algorithm Approach”, Computational Economics, 28(1); 1-14. [11] Lin, Chi-Ming, and Gen, M. (2007) “An Effective Decision-Based Genetic Algorithm Approach to Multiobjective Portfolio Optimization Problem”, Applied Mathematical sciences, 1(5); 201-210. [12] Lin, Chang-Chun, and Liu, Yi-Ting (2008) “Genetic algorithms for portfolio selection problems minimum transaction lots”, European Journal of Operational Research, 185(1); 393-404. [13] Aranha, C., and Iba, H. (2009), “The Memetic Tree-based Genetic Algorithm and its application to Portfolio Optimization”, Memetic Computing 1(1); 139–151. [14] 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); 9–38 [15] 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(1); 10529–10537. [16] Chen, W., and Zhang, Wei-Guo (2010) “The admissible portfolio selection problem with transaction costs and an improved PSO algorithm”, Statistical Mechanics and its Applications, 389(10); 2070-2076. [17] Pinto, D. D. D., Monteiro, J.G.M..S., and Nakao, E. H. (2011) “An approach to portfolio selection using an ARX predictor for securities’ risk and return”, Expert Systems with Applications, 38(12); 15009-15013. [18] Naimi Sadigh, A., Mokhtari, H., Iranpoor, M., and Fatemi Ghomi S. M. T. (2012) “Cardinality Constrained Portfolio Optimization Using a Hybrid Approach based on Particle Swarm Optimization and Hopfield Neural Network”, Advanced Science Letters, 17(1) 11–20. [19] Gupta, P., Inuiguchi, M., Mehlawat, M. K., and Mittal G. (2013) “Multiobjective credibilistic portfolio selection model with fuzzy chance-constraints”, Information Sciences, 229(1); 1-17. [20] Liu, Yong-Jun, and Zhang, Wei-Guo (2013) “ Fuzzy portfolio optimization model under real constraints”, Mathematics and Economics, 53(3); 704-711. [21] Zhang, X., Zhang, W., and Xiao, W. (2013) “Multi-period portfolio optimization under possibility measures”. Economic Modelling, 35(1); 401-408. [22] Cochran W. G., and Cox, G. M. (1992) “Experimental Design, 2nd edition”, Wiley, New York. John Wiley& Sons. [23] Taguchi, G. (1986) “Introduction to quality engineering”, White Plains: Asian Productivity Organization/UNIPUB. [24] Mozafari, M., Tafazzoli, S., and Jolai, F. (2011) “A new IPSO-SA approach for cardinality constrained portfolio optimization”, International Journal of Industrial Engineering Computation, 2(2); 249-262.
| ||
|
آمار تعداد مشاهده مقاله: 1,489 تعداد دریافت فایل اصل مقاله: 1,007 |
||