توسعه الگوریتم های فرا ابتکاری شیرمورچه- ژنتیک و PBILDE جهت بهینه‌سازی سبد سهام در بورس اوراق بهادار تهران

مهندسی مالی و مدیریت اوراق بهادار

مقاله 19، دوره 9، شماره 34، فروردین 1397، صفحه 381-404   

نوع مقاله: مقاله پژوهشی

نویسندگان

مهدی همایونفر^{* 1}؛ امیر دانشور²؛ جعفر رحمانی³

¹استادیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

²استادیار گروه مدیریت صنعتی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

³کارشناس ارشد مدیریت فناوری اطلاعات، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در مطالعات مالی، سبد سهام را می­توان به معنی مجموعه­ی سرمایه­گذاری­هایی دانست که توسط یک فرد و یا یک موسسه انتخاب و پذیرفته می­شود. انتخاب سبد سهام یکی از اصلی­ترین دغدغه­های سرمایه­گذاران در بازارهای مالی است. مدل میانگین- واریانس با مؤلفه­های مقید به عنوان یکی از مدل­های اصلی در حل مسأله بهینه­سازی سبد سرمایه شناخته می­شود. این مدل از لحاظ پیچیدگی، از نوع مسائل غیرخطی چند جمله­ای NP-hard است که به صورت دقیق قابل حل نیستند. در این پژوهش با استفاده از الگوریتم ترکیبی شیرمورچه- ژنتیک (ALOGA) و الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی (PBILDE)که از مدل­های فرا ابتکاری نوین در حل مسائل بهینه­سازی هستند، برای بهینه­سازی سبد سرمایه­گذاری با هدف افزایش بازده­ و کاهش ریسک استفاده شده است. از میان 591 شرکت حاضر در بورس اوراق بهادار تهران، 150 شرکت در بازه زمانی فروردین 1391 الی اسفند 1393 با استفاده از روش غربالگری به عنوان نمونه نهایی انتخاب شدند. داده­های مربوط به این شرکت­ها توسط الگوریتم­های بکار رفته در تحقیق مورد تجزیه و تحلیل قرار گرفت و کارآیی آنها با یکدیگر مقایسه گردید. نتایج پژوهش حاکی از آن است که الگوریتم­­های ALOGA و PBILDE کارایی مناسبی برای حل مسأله­ی بهینه­سازی سبد سهام دارند. بعلاوه، با استفاده از الگوریتم ALOGA می­توان با دقت و کارایی بالا سبد سهام بهینه تشکیل داد.

کلیدواژه‌ها

بهینه سازی سبد سهام؛ ریسک؛ بازده؛ الگوریتم شیرمورچه؛ الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی؛ الگوریتم ژنتیک

مراجع