بهینه‌سازی سبد سهام با استفاده از الگوریتم جست‎وجوی ارگانیسم‎های هم‌زیست

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار، گروه مهندسی صنایع، دانشکدۀ مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران

2 کارشناس‎ارشد مهندسی صنایع، دانشکدۀ صنایع، دانشگاه علم و صنعت، تهران، ایران

3 کارشناس مهندسی صنایع، دانشکدۀ صنایع، دانشگاه علم و صنعت، تهران، ایران

چکیده

بهینه­سازی سبد سهام یکی از مهم‎ترین موضوعاتِ تصمیم­گیری برای شرکت­های فعال در بازار سرمایه است. هنگامی که وضعیت و محدودیت­های دنیای واقعی نظیر محدودیت سرمایه­گذاری در هریک از سهام­ها و نیز محدودیت تعداد سهام­های موجود در سبد سهام در نظر گرفته می­شوند، مسئلۀ بهینه­سازی سبد سهام به راحتی حل نمی‎شود، از این رو استفاده از شیوه­های فراابتکاری مد نظر قرار می­گیرد. هدف اصلی از پژوهش حاضر، حل مسئلۀ بهینه­سازی سبد سهام با استفاده از نوعی الگوریتم فراابتکاری کاملاً جدید و نوظهور به نام الگوریتم جست‎وجوی ارگانیسم­های هم­زیست با در نظر گرفتن محدودیت­های دنیای واقعی در تشکیل سبد سهام است. این الگوریتم با الهام از روابط هم­زیستی موجود در اکوسیستم­های گوناگونی که در طبیعت وجود دارد، در سال 2014 معرفی شده است. در نهایت روش و مدل مورد استفاده در این پژوهش با داده­های واقعی حل شد و نتایج آن تجزیه و تحلیل شدند. نتایج این پژوهش نشان می­دهد، الگوریتم جست‎وجوی ارگانیسم­های هم­زیست در بهینه‎سازی سبد سهام، عملکرد موفقی داشته و توانسته است به نحو مطلوبی با محدودیت‎های واقعی بازار تعامل کند

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Portfolio Optimization by Using the Symbiotic Organisms Search

نویسندگان [English]

  • Emran Mohammadi 1
  • Seyed Erfan Mohammadi 2
  • Shahin Ramtinnia 3
1 Assistant Prof., Faculty of Industrial Engineering, University of Science & Technology, Tehran, Iran
2 MSc. of Industrial Engineering, University of Science & Technology, Tehran, Iran
3 BSc. of Industrial Engineering, University of Science & Technology, Tehran, Iran
چکیده [English]

The portfolio optimization has become one of the most important issues for the companies operating in the capital market. When the real-world conditions and restrictions, including cardinality constraint are considered in portfolio optimization, the problem is not easily solvable. Therefore using the meta-heuristic methods will be considered. Regarding this fact, the main purpose of this paper is to solve portfolio optimization problem by using an entirely new and emerging meta-heuristic algorithm that called symbiotic organisms search, while considering the limitations of the real world in the formation of portfolio. This algorithm is inspired by the symbiotic relationship in diverse ecosystems that exist in nature, and introduced in 2014. Finally, the model used in this study has been solved with real data and the results have been analyzed. The results of this paper demonstrate that the symbiotic organism search has been successful in portfolio optimization and has been able to properly interact with the actual limitations of the market.

کلیدواژه‌ها [English]

  • Cardinality Constraint
  • meta-heuristic methods
  • Portfolio optimization
  • Symbiotic Organisms Search
Beale, E. M. L. & Forest, J. J. H. (1976). Global optimization using special ordered sets. Mathematical Programming, 10(1), 52-69.
Chang, T.J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimisation. Computers & Operations Research, 27(13), 1271-1302.
Cheng, M. Y. & Prayogo, D. (2014). Symbiotic organisms search: a new metaheuristic optimization algorithm. Computers & Structures, 139, 98-112.
Crama, Y. & Schyns, M. (2003). Simulated annealing for complex portfolio selection problems. European Journal of operational research, 150(3), 546-571.
Deng, G. F., Lin, W. T. & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
Eberhart, R. C. & Kennedy, J. (1995). A new optimizer using particle swarm theory. Proceedings of the sixth international symposium on micro machine and human science, New York, NY.
Elahi, M., Yousefi, M. & Zare mehrjerdi, Y. (2014). Portfolio optimization with mean-variance approach using hunting search meta-heuristic algorithm. Journal of Financial Research, 16(1), 37-56. (in Persian)
Fernández A. & Gómez, S. (2007). Portfolio selection using neural networks. Computers & Operations Research, 34(4), 1177-1191.
Ghasemi, H.R. & Najafi, A.A. (2013). Portfolio optimization in terms of justifiability short selling and some market practical constraints. Journal of Financial Research, 14(2), 117-132. (in Persian)
Holland, J. H. (1975). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence, USA, University of Michigan Press.
Kolm, P.N., Tütüncü, R. & Fabozzi, F. J. (2014). 60 Years of portfolio optimization: Practical challenges and current trends. European Journal of Operational Research, 234(2), 356-371.
Mansini, R., Ogryczak, W. & Speranza, M. G. (2014). Twenty years of linear programming based portfolio optimization. European Journal of Operational Research, 234(2), 518-535.
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
Najafi, A. A. & Mushakhian, S. (2015). Multi-stage stochastic mean – semivariance – CVaR portfolio optimization under transaction costs. Applied Mathematics and Computation, 256, 445-458.
Pai, G. V. (2012). Risk budgeted portfolio optimization using an extended ant colony optimization metaheuristic. International Journal of Applied Metaheuristic Computing (IJAMC), 3(4), 25-42.
Qodsi, S., Tehrani, R. & Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Journal of Financial Research, 17(1), 141-158.
(in Persian)
Rajabi, M. & Khaloozadeh, H. (2014). Optimal portfolio prediction in Tehran stock market using multi-objective evolutionary algorithms, NSGA-II and MOPSO. Journal of Financial Research, 16(2), 253-270. (in Persian)
Sadjadi, S. J., Gharakhani, M. & Safari, E. (2012) Robust optimization framework for cardinality constrained portfolio problem. Applied Soft Computing, 12(1), 91-99.
Salahi, M., Daemi, M., Lotfi, S. & Jamalian, A. (2014). PSO and Harmony Search Algorithms for Cardinality Constrained Portfolio Optimization Problem Advanced Modeling and Optimization, 16(3), 559-573.
Sharpe, W. F. (1963). A simplified model for portfolio analysis. Management science, 9(2), 277-293.