بهینه سازی سبد سهام مبتنی بر مدل برنامه ریزی امکانی استوار با استفاده از الگوریتم‌های ژنتیک و جهش قورباغه مخلوط شده

محورهای موضوعی : مهندسی مالی

محمدسعید حیدری ¹ , جواد ولیدی ² , سیدبابک ابراهیمی ³

1 - گروه مالی و بانکداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران.
2 - گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
3 - گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

تاریخ دریافت : 1399/08/23 تاریخ پذیرش : 1399/09/28 تاریخ انتشار : 1400/04/01

کلید واژه: الگوریتم ژنتیک, روش تاگوچی, بهینه‌سازی سبد سهام, الگوریتم جهش قورباغه مخلوط شده,

چکیده مقاله :

در مسئله انتخاب سبد سرمایه‌گذاری که یکی از مهم‌ترین مسائل در حوزه مالی است، استفاده از مدلی که بتواند شرایط محیط‌های واقعی را در نظر بگیرد، اهمیت دارد. در بازارهای مالی، نوسانات شدید و متواتر سبب تغییر مکرر در خروجی‌های مدل‌های سبد سرمایه‌گذاری می‌گردد و این مسئله نیاز به تغییر وزن دارایی‌های موجود در سبد را افزایش می‌دهد که سبب تحمل هزینه‌های بالای مدیریتی و معاملاتی می‌شود. در ادبیات موجود در زمینه مدل‌های سبد سرمایه‌گذاری، یکی از رویکردهای مقابله با این نوع هزینه‌های زیاد رویکرد بهینه‌سازی استوار است. در این پژوهش تلاش شده است از الگوریتم ژنتیک و الگوریتم جهش قورباغه مخلوط شده برای حل مدل برنامه‌ریزی امکانی استوار ارائه‌شده توسط امیری و حیدری (1399) در ابعاد بزرگ‌تر و به‌منظور بهینه‌سازی سبد سهام استفاده شود. در این راستا 15 مسئله معین با ابعاد (تعداد شرکت و دوره زمانی) مختلف طراحی شده و پردازش روی آن‌ها صورت می‌گیرد. نتایج حاصل از اجرای دو الگوریتم بر روی 15 مسئله مذکور با استفاده از آزمون آماری T مورد مقایسه قرار گرفته است که بیانگر عدم تفاوت معنادار بین دو الگوریتم در انتخاب سبد سرمایه‌گذاری است اما رویکرد ترکیبی تاپسیس و وزن‌دهی آنتروپی، الگوریتم ژنتیک را به‌عنوان الگوریتم برتر انتخاب می‌کند.

چکیده انگلیسی:

Portfolio selection problem which is one of the most important issues in finance, using a model that considers conditions of the real world is important. In financial markets, severe and frequent fluctuations cause frequent changes in the portfolio selection models outputs, which increases the number of times to change the weight of portfolio's assets, and so that incurs high management and transaction costs. In the literature of portfolio selection models, one of the approaches to prevent this kind of high costs is robust optimization approach. In this study, in order to optimize the portfolio, genetic algorithm and shuffled frog-leaping algorithm are used to solve robust probablistic planning model presented by Amiri and Heidari (1399) in higher dimensions. To this end, 15 specific problems with different dimensions (number of companies and time periods) are designed and processed. The results of the implementation of two algorithms on the above 15 problems were compared using T-test, which shows no significant difference between two algorithms in portfolio selection problem, but the combined approach of TOPSIS and entropy weighting selects the genetic algorithm as superior algorithm.