بهینه‌سازی و مقایسۀ سبد سهام در بورس اوراق بهادار تهران با بهره‎مندی از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری برق ـ کنترل و سیستم، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

2 استاد دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

با وجود استفادۀ روزافزون از الگوریتم­های بهینه­سازی تکاملی چندهدفه در شاخه­های مختلف علوم، به‎کاربردن آنها به‎عنوان ابزار بسیار قدرتمند در زمینۀ بهینه­سازی سبد سرمایه، به‎ویژه حل مسئلۀ چندهدفه، همچنان در مراحل اولیۀ پژوهش است. در این مقاله، از الگوریتم‎های تکاملی چندهدفه برای حل مسئلۀ بهینه­سازی چندهدفۀ سبد سرمایه در بورس اوراق بهادار تهران استفاده شده است. برای این منظور، دو روش مهم و پرکاربردِ الگوریتم ژنتیک چندهدفه با مرتب‎سازی نامغلوب (NSGA-II) و بهینه­سازی چندهدفۀ ازدحام ذرات (MOPSO) با یکدیگر مقایسه شدند. جبهه­های بهینۀ پارِتوی به‎دست‎آمده، به سرمایه­گذار این امکان را می­دهد که از بین ریسک و ارزش‎های مختلف، سبد سرمایۀ بهینۀ مدنظر را انتخاب کند. ارزش سبد سرمایه و ریسک آن به‎عنوان اهداف بهینه­سازی و معیار ارزش در معرض ریسک مشروط به‎عنوان سنجۀ ریسک به‎کار برده شد و سه قید عملی و کاربردی نیز برای حل مسئله مدنظر قرار گرفت. نتایج، عملکرد بهتر روش NSGA-II را نسبت به MOPSO برای هر دو معیار همگرایی و گستردگی جبهه­های بهینۀ­ پارتو نشان داد. همچنین در پیش­بینی سبد سهام بهینه، انطباق جبهه­های بهینۀ پارتوی واقعی و پیش‎بینی‎شده، نشان‎دهندۀ کارایی بسیار مناسب روش­های استفاده‎شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Optimal Portfolio Prediction in Tehran Stock Market using Multi-Objective Evolutionary Algorithms, NSGA-II and MOPSO

نویسندگان [English]

  • Mahsa Rajabi 1
  • Hamid Khaloozadeh 2
1 PhD., Electrical and Control Engineering, K. N. Toosi University of Technology
2 Prof. , K. N. Toosi University of Technology
چکیده [English]

Despite the growing use of evolutionary multi-objective optimization algorithms in different categories of science, these algorithms as a powerful tool in portfolio optimization and specially solving multi-objective portfolio optimization problem is still in its early stages. In this paper, MOEAs have been used for solving multi-objective portfolio optimization problem in Tehran stock market. For this purpose, Non-dominated Sorting Genetic Algorithm (NSGA_II) and Multi-objective Particle Swarm Optimization (MOPSO), as two common approaches, were compared with each other. Using pareto front, investors can choose optimal portfolio based on different risks and returns. Two objectives of the problem are return and risk of portfolio and CVaR is the risk metric. In order to solve the problem, three real-world constraints were considered. The results indicate that these approaches have a high performance in constraint portfolio optimization.

کلیدواژه‌ها [English]

  • Optimal Portfolio Prediction
  • Multi-Objective Evolutionary Algorithms
  • Conditional Value at Risk
  • NSGA-II
  • MOPSO
Anagnostopoulos, K. & Mamanis, G. (2009). Multiobjective evolutionary algorithms for complex portfolio optimization problems. Springer-Verlag, 8(3): 259-279.
Armananzas, R. & Lozano, J. A. (2005). A multiobjective approach to the portfolio optimization problem. IEEE congress on evolutionary computation, 2:1388-1395.
Chiang, C. S. (2009). Evolutionary Multi-objective Optimization in Investment Portfolio Management. PhD Thesis, Natinal University of Singapore.
Coello, C.C.A. (2006). Evolutionary Multi-Objective Optimization: A historical view of the field. IEEE Computational Intelligence Magazine, 1(1): 28-36.
Coello, C.C.A., Pulido, G.T. & Lechuga, M.S. (2004). Handling Multiple Objectives With Particle Swarm Optimization. IEEE Transaction on Evolutionary Computation, 8(3): 256-279.
Deb, K., Pratap, A., Agarwal, S. & Meyarivan, T. (2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2): 182-197.
Derakhshan, M., Golmakani, H. & Hanafizadeh, P. (2012). Multiobjective Portfolio Selection of Tehran Stock Exchange with the Metaheuristic Optimization Approach. International Journal of Indestrial Engineering and Production Management, 23(3): 318-331. (in Persian)
Khaleiji, M., Zeiaee, M., Tabei, A., Jahed-Motlagh, M.R. & Khaloozadeh, H. (2009). Dynamically Weighted Continuous Ant Colony Optimization for Bi- Objective Portfolio Selection Using Value-at-Risk. Third Asian International Conference on Digital Object Identifier, 1(2): 230-235.
Khaloozadeh, H. & Amiri, N. (2006). Optimal portfolio Selection in Iran Sotck Exchange Based on VaR Approach. Journal of Economic Research, 41(2): 211-231. (in Persian)
Khaloozadeh, H., Khaki-sedigh, A. & Lucas, C. (1996). Are Stock Prices Predictable in the Tehran Stock Exchange. Journal of Financial Research, 3(2): 37-46. (in Persian)
Li, H. & Zhang, Q. (2009). Multiobjective Optimization Problems with Complicated Pareto Sets, MOEA/D and NSGA-II. IEEE Transactions on Evolutionary Comutation, 13(2): 284-302.
Metaxiotis, K. & Liagkouras, K. (2012). Multiobjective Evolutionary Algorithms for Portfolio Management: A comprehensive literature review. Expert Systems with Applications, 39(14): 11685–11698.
Mishra, S.K., Panda, G. & Meher, S. (2009). Multi-objective particle swarm optimization approach to portfolio optimization. World Congress on Nature & Biologically Inspired Computing. DOI:10.1109/NABIC.2009. 5393659.
Raei, R. & Alibeygi, H. (2010). Portfolio Optimization Using Particle Swarm Optimization Method. Journal of Financial Research, 12(29): 21-40.
(in Persian)
Raei, R. & Chavoshi, K. (2003). Prediction of Stock Return Behavior in Tehran Stock Exchange: Artificial Neural Networks and Arbitrage Pricing Theory. Journal of Financial Research, 5(1):  97-120. (in Persian)
Rockafellar, T.R. & Uryasev, S. (2000). Optimization of Conditional value-at-risk. Journal of Risk, 2(3): 21-41.
Skolpadungket, P., Dahal, K. & Harnpornchai, N. (2007). Portfolio optimization using multi-objective genetic algorithms. IEEE congress on evolutionary computation, CEC: 516-523. DOI: 10.1109/CEC.2007.4424514.
Xu, R., Zhang, J., Liu, O. & Huang, R. (2010). An Estimation of Distribution Algorithm Based Portfolio Selection Approach. International Conference on Technologies and Applications of Artificial Intelligence, Hsinchu City. DOI: 10.1109/TAAI.2010.57.