بهینه‏‌سازی سبد سهام به کمک الگوریتم فراابتکاری دسته‌های میگو با استفاده از معیارهای مختلف از ریسک در بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استاد، گروه مدیریت مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

2 دانشکده دانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایراندانشگاه تهران

3 دانشجوی کارشناسی ارشد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

چکیده

هدف: بهینه‌سازی سبد سهام از مهم ترین مسائل سرمایه­گذاری است. نخستین بار، هری مارکوویتز، ریسک را در این مسئله به کار برد. پس از آن، این موضوع از جنبه­های مختلف از جمله معیارهای گوناگون ریسک، روش­های بهینه­سازی و در نظر گرفتن هزینه معاملات مورد بررسی گرفته است. در این پژوهش سعی بر این است که روش فراابتکاری دسته­های میگو در بهینه­سازی سبد سهام استفاده گردد و مزایای احتمالی آن بر شمرده شود.
روش: در این پژوهش تلاش شده است به‎کمک الگوریتم جدید دسته‏های میگو، مسئله بهینه‏سازی سبد سهام حل شده و مرز کارا محاسبه شود. همچنین ریسک با سه معیار واریانس، نیم‏واریانس و ریزش مورد انتظار بررسی شده است. داده‏های این پژوهش، بازده‏های تعدیل شده سهام 50 شرکت فعال‏تر بورس از تاریخ 01/07/1391 تا 31/06/1396 است.
یافته‎ها: در ابتدا مرزهای کارای پرتفوهای بهینه بر اساس معیارهای ریسک واریانس، نیم-واریانس و ریزش مورد انتظار رسم شده است. شباهت تقریبی سه مرز کارا، نشان از ثبات الگوریتم در یافتن آن دارد. سپس نسبت‌های شارپ به دست آمده از روش دسته­های میگو با روش‌های رقابت استعماری و تجمعی ذرات مقایسه شده و مشاهده می‌شود که نسبت به آن ها ارجحیت دارد.
نتیجه‎گیری: الگوریتم دسته­های میگو در یافتن مرز کارا و پرتفوهای بهینه در مقایسه با سایر الگوریتم­های مرسوم عملکرد بهتری داشته و می­توان آن را جایگزین این روش­ها کرد و به نتایجی مطلوب­تر دست یافت.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Portfolio Optimization Using Krill Herd Metaheuristic Algorithm Considering Different Measures of Risk in Tehran Stock Exchange

نویسندگان [English]

  • Reza Tehrani 1
  • Sima Fallah Tafti 2
  • Sepehr Asefi 3
1 Prof., Department of Financial and Insurance Management, Faculty of Management, University of Tehran, Tehran, Iran
2 M.Sc. Student, Department of Financial Systems, Faculty of Management, University of Tehran, Tehran, Iran
3 M.Sc. Student, Department of Financial Systems, Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]

Objective: Portfolio optimization is one of the most important issues in investment. Harry Markowitz was the first person who applied risk with this regard. This issue was later studied from different perspectives, using various risk measures, optimization methods, and considering transaction costs. In this research, we aim to use the Krill Herd metaheuristic algorithm in portfolio optimization, and examine its possible advantages.
Methods: In the present study, we try to solve the portfolio optimization problem and to find the efficient frontier using Krill Herd’s novel algorithm. We also consider three different measures for risk: variance, semi-variance, and expected shortfall. Our data consists of adjusted returns of the top fifty stocks in Tehran Stock Exchange from 2012 to 2018.
Results: Atfirst, the efficient frontiers of the optimal portfolios, using different measures for risk were plotted. The relative similarity of the three plots indicates the stability of the Krill Herd Algorithm in obtaining efficient frontiers. Then, we observed that the Sharpe Ratios of this algorithm are higher than those of Imperialist Competitive and Particles Swarm Algorithms.
Conclusion: The Krill Herd Algorithm has a better performance finding efficient frontier and optimized portfolios in comparison to the other common algorithms; therefore, it can be used instead of the other algorithms to obtain better results.
 

کلیدواژه‌ها [English]

  • Krill herd algorithm
  • Portfolio optimization
  • Metaheuristic algorithms
  • Expected shortfall
  • Semi-variance
اسلامی بیدگلی، غلام­رضا؛ طیبی ثانی، احسان (1393). بهینه‏سازی سبد سرمایه‏گذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 18، 163- 184.
افشار کاظمی، محمدعلی؛ فلاح شمس، میرفیض؛ کارگر، مرضیه (1393). تدوین مدلی جدید برای بهینه‏سازی پرتفوی بورس با استفاده از روش مارکوویتز و اصلاح آن توسط مدل کسینوس‏ها و حل آن توسط الگوریتم ژنتیک. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 18، 81- 104.
الهی، مرتضی؛ یوسفی، محسن؛ زارع مهرجردی، یحیی (1393). بهینه‏سازی سبد سهام با رویکرد میانگین ـ واریانس و با استفاده از الگوریتم فراابتکاری جست‏وجوی شکار. فصلنامه تحقیقات مالی، 16(1)، 37- 56.
تقی زاده یزدی، محمدرضا؛ فلاح‌پور، سعید؛ احمدی مقدم، محمد (1395). انتخاب پرتفوی بهینه با استفاده از برنامه‌ریزی فراآرمانی و برنامه‌ریزی آرمانی ترتیبی توسعه‌یافته. فصلنامه تحقیقات مالی، 18(4)، 591-612.
خواجوی، شکرالله؛ غیوری مقدم، علی (1391). تحلیل پوششی داده‏ها، روشی برای انتخاب پرتفوی بهینه با توجه به میزان نقدشوندگی سهام (مورد مطالعه: شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران). مجله پیشرفت‏های حسابداری، 4(2)، 27-52.
راعی، رضا؛ محمدی، شاپور؛ علی‏بیگی، هدایت (1390). بهینه‏سازی سبد سهام با رویکرد میانگین ـ نیم‏واریانس و با استفاده از روش جست‏وجوی هارمونی. فصلنامه پژوهش‏های مدیریت در ایران، 15(3)، 105-128.
عباسی، ابراهیم؛ تیمورپور، بابک؛ برجسته ملکی، منوچهر (1388). کاربرد ارزش در معرض ریسک (VaR) در تشکیل سبد سهام بهینه در بورس اوراق بهادار تهران. مجله تحقیقات اقتصادی، 44(87)، 91-114.
عبدالعلی‏زاده شهیر، سیمین؛ عشقی، کوروش (1382). کاربرد الگوریتم ژنتیک در انتخاب یک مجموعه دارایی از سهام بورس اوراق بهادار. فصلنامة پژوهش‎های اقتصادی، 5(17)، 175-192.
قدوسی، سعید؛ تهرانی، رضا؛ بشیری، مهدی (1394). بهینه‌سازی سبد سهام با استفاده از روش تبرید شبیه‎سازی شده. فصلنامه تحقیقات مالی، 17(1)، 141-158.
 
References
Abbassi, E., Teymourpour B. & Barjesteh Maleki, M. (2009). The use of Value at Risk (VaR) in constructing optimal portfolio in Tehran Stock Exchange. Journal of Economic Research, 44(27), 91-114. (in Persian)
Afshar Kazemi, M. A., Fallah Shams, M. F. & Kargar, M. (2014). Providing a new model for optimization of exchange portfolio using of Markowitz method and modifying that, using of hovel cosine's model using genetic algorithm. Financial Engineering and Securities Management, 5(18), 81-104. (in Persian)
Anagnostopoulos, K. P. & Mamanis, G. (2010). Using Multiobjective Algorithms to Solve the Discrete Mean-Variance Portfolio Selection. International Journal of Economics and Finance, 2(3),152-162.
Artzner, P., Delbaen, F., Eber, J.M. & Heath, D. (1999). Coherent measures of risk. Mathematical Finance, 9(3), 203-228.
Cesarone, F., Scozzari, A. & Tardella, F. (2009). Efficient algorithms for mean-variance portfolio optimization with hard real-world constraints. Giornale dell'Istituto Italiano degli Attuari, 72, 37-56.
Chang, T. J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27(13), 1271-1302.
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.
Elahi, M., Yousefi, M. & Zare Mehrjerdi, Y. (2014). Portfolio optimization with mean-variance approach using hunting search meta-heuristic algorithm. Financial Research Journal, 16(1), 37-56. (in Persian)
Eslami Bidgoli Gh. & Tayebi Sani, E. (2014). Portfolio optimization based on Value at Risk using ant colony optimization. Financial Engineering And Securities Management, 5(18), 163-184. (in Persian)
Gandomi, A. H. & Alavi, A. H. (2012). Krill herd: A new bio-inspired optimization algorithm. Communications in Nonlinear Science and Numerical Simulation, 17(12), 4831-4845.
Ghodousi, S., Tehrani, R., Bashiri, M. (2015). Portfolio Optimization with Simulated Annealing Algorithm. Financial Research Journal, 17(1), 141-158. (in Persian)
Khajavi, Sh. & Ghayouri Moghaddam, A. (2012). Data envelopment analysis, a method for selecting optimal portfolio based on liquidity of stocks, case study: companies in Tehran Securities Exchange. Journal of Accounting Advances, 4(2), 27-52. (in Persian)
Maringer, D. & Kellerer, H. (2003). Optimization of cardinality constrained portfolios with a Hybrid local search algorithm. OR Spectrum, 25(4), 481-495.
Moral-Escudero, R., Ruiz-Torrubiano, R. & Suarez, A. (2006). Selection of optimal investment Portfolios with cardinality constraints. In Proceedings of the 2006 IEEE Congresson Evolutionary Computation, 2382-2388. DOI: 10.1109/CEC.2006.1688603.
Raei, R., Mohammadi, Sh. & Ali Beigi, H. (2011). Mean-semivariance portfolio optimization using harmony search method. Management Researches in Iran, 15(3), 105-128.
(in Persian)
Taghizadeh Yazdi, M., Fallahpour, S., & Ahmadi Moghaddam, M. (2017). Portfolio selection by means of Meta-goal programming and extended lexicography goal programming approaches. Financial Research Journal, 18(4), 591-612. (in Persian)
Wolpert, D. H. & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82.
Woodside-Oriakhi, M., Lucas, C. & Beasley, J. E. (2011). Heuristic algorithms for the cardinality constrained efficient frontier. European Journal of Operational Research, 213(3), 538-550.