بهینه‌سازی پرتفوی چندهدفه براساس میانگین، واریانس، آنتروپی و الگوریتم ازدحام ذرات

نوع مقاله: کاربردی

نویسندگان

1 استاد، گروه مالی، دانشگاه تهران، تهران، ایران

2 استادیار، گروه مالی، دانشگاه تهران، تهران، ایران

3 کارشناسی ارشد مالی، دانشگاه تهران، تهران، ایران

چکیده

هدف این مقاله بهینه‌سازی پرتفوی چندهدفه است. از این‌رو معیاری جدید به نام آنتروپی معرفی می‌شود که برخلاف واریانس، وابسته به تقارن توزیع بازده دارایی‌ها نیست و می‌توان از آن به عنوان معیاری جدید برای محاسبه ریسک سبد سهام در کنار واریانس استفاده کرد. در پژوهش پیش رو مدلی بر مبنای میانگین-واریانس-آنتروپی برای حل مسئله بهینه‌سازی پرتفوی ارائه شده است. در این پژوهش بر اساس مدل‌های اقتصادسنجی ((ARIMA-GARCH، ریسک (واریانس) و بازده برای شرکت‌های حاضر در پرتفوی برای دوره سه ماهه بعدی پیش‌بینی شده و با ورود داده‌ها به مدل پیشنهادی و از طریق الگوریتم ازدحام ذرات (PSO) اقدام به حل مسئله بهینه‌سازی شده است. برای مقایسه مدل پژوهش با مدل میانگین-واریانس مارکوویتز با استفاده از شاخص شارپ پرتفوی‌های محاسبه شده توسط هرکدام از روش‌ها نشان داده شده است که مدل پیشنهادی پژوهش (میانگین-واریانس-آنتروپی) با استفاده از الگوریتم ازدحام ذرات از کارایی بالاتری نسبت به مدل میانگین-واریانس مارکوویتز برخوردار است.
JEL: G10, G17, G19
نحوه استناد به این مقاله: راعی، ر.، باجلان، س.، حبیبی، م.، و نیک‌عهد، ع. (1396). بهینه‌سازی پرتفوی چندهدفه براساس میانگین، واریانس، آنتروپی و الگوریتم ازدحام ذرات. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(3)، 362-379.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Optimization of Multi-Objective Portfolios Based on Mean, Variance, Entropy and Particle Swarm Algorithm

نویسندگان [English]

  • Reza Raei 1
  • saeed bajalan 2
  • mostafa habibi 3
  • ali nikahd 3
1 Prof. Finance Department, Tehran University, Tehran, Iran
2 Assistant Prof,. Finance Department,Tehran University,Tehran, Iran
3 MSc. Student in Finance, Tehran university, Tehran, Iran
چکیده [English]

Most optimization problems in the real world have several goals that are usually in conflict with each other. Investors in the capital market are also pursuing several goals for optimizing the stock portfolio. The purpose of this paper was to optimize multi-objective portfolios based on ARMA-GARCH predictions and entropy. to provide solutions using the method of particle swarm algorithm. The statistical sample of this study includes the top 30 Tehran Stock Exchange (TSE). Initially, Autoregressive integrated moving average (ARIMA) efficiency series was modeled. Then, in order to evaluate the asset portfolio risk, we first calculated the risk based on generalized autoregressive conditional heteroskedasticity (GARCH) models. Also, the results of this study show that the multi-objective optimization algorithm based on the method of particle swarm algorithm is successful in creating stock portfolios. According to the findings of the research, the application of the Particle Swarm Algorithm (PSO) in the selection and optimization of stock portfolios is recommended.
JEL: G10, G17, G19
How to cite this paper: Raei, R., Bajelan, S., Habibi, M., & Nikahd, A. (2017). Optimization of Multi-Objective Portfolios Based on Mean, Variance, Entropy and Particle Swarm Algorithm. Quarterly Journal of Risk Modeling and Financial Engineering, 2(3), 362–379. (In Persian)

کلیدواژه‌ها [English]

  • Multi-Objective Optimization
  • Entropy
  • Particle Swarm Method

دارابی، ر.، وقفی، س.، حبیب‌زاده، س. ج.، و آهنگری، م. (1394)، انتخاب پرتفوی بهینة سهام در شرکت‌های پذیرفته شدة بورس اوراق بهادار تهران به روش ICDE. فصلنامة دانش مالی تحلیل‌های اوراق بهادار، 9(31)، 111-122.

موشخیان، س.، و نجفی، ا. (1394). بهینه‌سازی سبد سرمایه‌گذاری با استفاده از الگوریتم چندهدفه ازدحام ذرات برای مدل احتمالی چند دوره‌ای میانگین-نیم واریانس-چولگی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 6(23)، 133-147.

میرزایی، ح.، خدامی‌پور، ا.، و پورحیدری، ا. (1395). بررسی کاربرد الگوریتم ژنتیک چندهدفه در بهینه‌سازی پرتفوی سهام با استفاده از شاخص‌های تکنیکال. فصلنامة مهندسی مالی و مدیریت اوراق بهادار، 7(29)، 67-84.

Bera, A. K., & Park, S. Y. (2008).Optimal Portfolio Diversification Using the Maximum Entropy Principle. EconomRev, 27(15), 484–512.

Celikyurt, U., & Ozekici, S. (2002). Multiperiod Portfolio Optimization Models in Stochastic Markets using the Mean-variance Approach. European Journal of Operational Research, 1(4), 186–202.

Darabi, R., Vaghfi, S., Habib zade, S., & Ahangari, M. (2016). Select Optimal Portfolio of Stock in Companies Listed at Tehran Stock Exchange. Financial knowledge of Securities Analysis, 9(31), 111-122.(In Persian)

Goptha, S. (2012). A Class of Multi-period Semi-variance Portfolio Selection with a Four Factor Futures Price Model. Journal of Applied Mathematics and Computing, 29(18), 19–34.

Huang, X. (2008). Mean-Entropy Models for Fuzzy Portfolio Selection. Fuzzy Systems, IEEE Transactions on, 16(21), 170-176.

Kennedy, J., & Eberhart, R. C.(1995). Particle Swarm Optimization. Proceedings of IEE International Conference on Neural Networks IV, Piscataway, N J: IEEE Press, 1942-1948.

Li, D. (2016). Optimal Dynamic Portfolio Selection: Multiperiod Mean-variance Formulation. Mathematical Finance, 10(5), 387–406.

Markowitz, H. (1952). Portfolio Selection: Efficient Diversification of Investments, John Wiley, New York.

Mirzaei, H. Khodamipour, A., & Porheidari, A. (2017).Applying Multi Objective Genetic Algorithms in Portfolio Optimization by Technical Indicators. Journal of Financial Engineering and Portfolio Management, 7(29), 67-84. (In Persian)

Mushkhian, S., & Najafi, A. (2016). A Possibilistic Mean-Semivariance-Skweness Model for Portfolio Selection with Multi Objective Particle Swarm Algorithm. Journal of Financial Engineering and Portfolio Management, 6(23), 133-147.(In Persian)

Pindoriya, N. (2014). Multi-Objective Mean–variance–skewness Model for Generation Portfolio Allocation in Electricity Markets. Electric Power Systems Research, 80(10), 1314-1321.

Takano, Y., & Gotoh, J. y. (2015). Constant Rebalanced Portfolio Optimization under Nonlinear Transaction Costs. Asia-Pacific Finance Markets, 18(7),191–211.

Tunchan, C. (2009). Particle Swarm Optimization Approach to Portfolio Optimization. Nonlinear Analysis: Real World Applications, 10(8), 2396-2406

Wei, S. Z. (2015). Multi-period Optimization Portfolio with Bankruptcy Control in Stochastic Market. Applied Mathematics and Computation, 186(15),414–425.

Yan, W., Miao, R., & Li, S. R. (2007). Multi-period Semi-variance Portfolio Selection: Model and Numerical Solution, Applied Mathematics and Computation, 194(5), 128–134.

Zego, G. P. (2011). No More VaR. Journal of Banking & Finance, 26(12), 1247-1252.

Zhang, W. G., Liu, Y. j., & Xu, W. J. (2012). A Possibilistic Mean-Semi Variance-Entropy Model for Multi-Period Portfolio Selection with Transaction Costs. European Journal of Operational Research, 222(5), 341–349.

Zhang, X. L. (2009). Using Genetic Algorithm to Solve a New Multi-period Stochastic Optimization Model. Journal of Computational and Applied Mathematics, 231(13),114-123.