بهینه‌سازی سبد سهام با سنجه‌های مبتنی بر ارزش در معرض ریسک و محدودیت تعداد سهام با استفاده از الگوریتم فراابتکاری دسته‌های میگو (مطالعه موردی: بورس اوراق بهادار تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی صنایع، دانشگاه میبد، میبد، ایران

2 دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه میبد، میبد، ایران.

3 دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه میبد، میبد، ایران

چکیده

همواره یکی از اساسی‌ترین مسائل در تصمیمات سرمایه‌گذاری و بهینه‌سازی سبد سهام انتخاب یک سنجه مناسب برای بررسی ریسک و کاهش آن بوده است. در این مطالعه، به بررسی عملکرد الگوریتم دسته‌های میگو در بهینه‌سازی مدل‌های میانگین-ارزش در معرض ریسک و میانگین-ارزش در معرض ریسک شرطی با در نظر گرفتن محدودیت تعداد سهام برای 35 شرکت فعال در بورس اوراق بهادار تهران پرداخته شده‌است. برای آموزش الگوریتم از روش پنجره غلتان در دوره‌های 1390 تا 1397 و 1391 تا 1398 استفاده شده­است. همچنین نسبت شارپ و نسبت شارپ شرطی سبد‌های حاصله مقایسه‌شده و معناداری تفاوت مدل‌ها با آزمون ویلکاکسون ارزیابی شده است. یافته‌ها حاکی از آن است که بیشترین مقدار بازده با اختلاف کمی متعلق به مدل با سنجه ارزش در معرض ریسک شرطی می‌باشد. لیکن در هر دو روش، سبدهای متشکل از 5 سهم دارای عملکرد بهتری می‌باشند. با توجه به بررسی‌های صورت‌گرفته در میان خروجی‌‌ها و مقایسات میان رده‌ای، این نتیجه حاصل گردید که بین عملکرد مدل‌های بهینه‌سازی مبتنی بر سنجه‌ی ارزش در معرض ریسک و ارزش در معرض ریسک شرطی تفاوت معناداری وجود ندارد. همچنین محدودیت کاردینالیتی عملکرد مدل را بهبود می‌بخشد و سبد با تعداد سهام کمتر بازدهی بهتری از خود نشان می‌دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Cardinality-constrained Value at Risk based Portfolio Optimization Using Krill Herd Metaheuristic Algorithm (Case study: Tehran Stock Exchange)

نویسندگان [English]

  • Somayeh Mousavi 1
  • Abbasali Jafari Nodoushan 1
  • Mahsa Sangestani 2
  • Maryam Moradi 3
1 Assistant Prof., Department of Industrial Engineering, Meybod University, Meybod, Iran
2 MSc. Student in financial Systems, Meybod University, Meybod, Iran.
3 MSc. Student in financial systems, Meybod University, Meybod, Iran.
چکیده [English]

One of the most fundamental problems in investment decisions and portfolio optimization is choosing a suitable measure for risk assessment and management. In this study, the performance of the krill herd Algorithm is investigated for solving the mean-value at risk and mean-conditional value at risk portfolio optimization models considering the cardinality constraints, among 35 active companies in Tehran Stock Exchange. For algorithm training, the roller window method has been used in 2011-2018 and 2012-2019. The Sharpe ratio and the conditional Sharpe ratio of the models have been evaluated and they are compared using the Wilcoxon test. According to the numerical results, the mean–conditional value at risk model outperforms the mean–value at risk model in terms of the rate of return. Also, the model’s profitability improved using cardinality constraint with 5 stocks. Based on the empirical studies, we concluded that there is no significant difference between the performance of the value at risk and conditional value at risk based models. Furthermore, the portfolios with lower number of stocks have shown the better performance.

کلیدواژه‌ها [English]

  • Cardinality constraints
  • Conditional Value at Risk
  • Krill Herd Algorithm
  • Stock Portfolio optimization
  • Tehran Stock Exchange

مراجع

  1. Afshar Kazemi, M., Shams, M., Kargar, M. (2014). Development of a new model for stock market portfolio optimization using Markowitz method and its correction by cosine model and its solution by genetic algorithm. Islamic Azad University, Central Tehran Branch, Financial Engineering and Securities Management. , 5(18), 81-104.(in pesrian)
  2. Agarwal, V., & Naik, N. Y. (2004). Risks and portfolio decisions involving hedge funds. The Review of Financial Studies, 17(1), 63-98.
  3. Angelelli, E., Mansini, R., & Speranza, M. G. (2008). A comparison of MAD and CVaR models with real features. Journal of Banking & Finance, 32(7), 1188-1197.
  4. 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.
  5. Dowd, K. (2000). Adjusting for risk:: An improved Sharpe ratio. International review of economics & finance, 9(3), 209-222.
  6. Eslami Bidgoli, G., Vafi Sani, J., Alizadeh, M., Bajelan, S. (2009). Optimization and evaluation of the effect of diversity on portfolio performance using Ant Algorithm. Journal of Securities Exchange., 2(5), 57-75.(in pesrian)
  7. Ferreira, F. G., & Cardoso, R. T. (2021). Mean-CVaR Portfolio Optimization Approaches with Variable Cardinality Constraint and Rebalancing Process. Archives of Computational Methods in Engineering, 1-18.
  8. 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.
  9. Ghanbari memeshi, E., nabavi chashmi, S., memarian, E. (2020). Value at Risk Assessment in Tehran Stock Exchange using Non-parametric and parametric Approaches. , 12(46), 252-272.(in pesrian)
  10. Ghasemi, H., Najafi, A. (2013). Portfolio Optimization in terms of Justifiability Short Selling and Some Market Practical Constraints. Financial Research Journal, 14(2), 117-132. doi: 10.22059/jfr.2013.51062.(in pesrian)
  11. Hanifi, F. (2001). Value at risk, A new approach to risk management. Capital(1).(in pesrian)
  12. Kalayci, C. B., Polat, O., & Akbay, M. A. (2020). An efficient hybrid metaheuristic algorithm for cardinality constrained portfolio optimization. Swarm and Evolutionary Computation, 54, 100662.
  13. Karimi, A. (2021). Stock portfolio optimization using multi-objective genetic algorithm (NSGA II) and maximum Sharp ratio. 12(46), 389-410.(in pesrian)
  14. Kaucic, M., Moradi, M., & Mirzazadeh, M. (2019). Portfolio optimization by improved NSGA-II and SPEA 2 based on different risk measures. Financial Innovation, 5(1), 1-28.
  15. Konno, H., & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531.
  16. Lwin, K. T., Qu, R., & MacCarthy, B. L. (2017). Mean-VaR portfolio optimization: A nonparametric approach. European Journal of Operational Research, 260(2), 751-766.
  17. Markowitz, H. (1952). Modern portfolio theory. Journal of Finance, 7(11), 77-91.
  18. Markowitz, H. M. (1959). Efficient diversification of investments. John Wiley and Sons, 12, 26-31.
  19. Mirabi, M., Zarei Mahmoudabadi, M. (2020). Optimization Portfolio Selection in Risk Situations with Combined Meta-Heuristic Algorithm of Genetic Algorithm (GA) and Lion Optimization Algorithm (LOA). Journal of Financial Management Perspective, 10(32), 33-56. doi: 10.52547/JFMP.10.32.33. (in pesrian)
  20. Moradi, M. (2017). Portfolio Optimization in Tehran Stock Exchange by Water Cycle Algorithm. Journal of Financial Management Perspective, 7(20), 9-32. (in pesrian)
  21. Mozaffari, M., Nikoomaram, H. (2020). Assessing the Efficiency of the Value-at-Risk Index (VAR) using Extreme Value Theory in comparison with traditional risk assessment methods. Financial Knowledge of Securities Analysis, 13(46), 179-191.(in pesrian)
  22. Neshatizade, L., Haidari, H. (2018). Studying of Volatility and Risk in Portfolio-Optimization Model Using of Imperialist Competitive Algorithm. Journal of Econometric Modelling, 3(4), 11-35. doi: 10.22075/jem.2019.14615.1162
  23. QASEMI, J., FARZAD, S. (2019). An Overview of the Application of Meta Heuristic Algorithms in Financial Field. Commercial Surveys, 17(96), 56-77. Qodosi, S., Tehrani, R., Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Financial Research Journal, 17(1), 141-158. doi: 10.22059/jfr.2015.52036.(in pesrian)
  24. Rockafellar, R. T., & Uryasev, S. (2000). Optimization of conditional value-at-risk. Journal of risk, 2, 21-42.
  25. Setiawan, E. P. (2020, July). Comparing bio-inspired heuristic algorithm for the mean-CVaR portfolio optimization. In Journal of Physics: Conference Series, 1581(01) , 012014.
  26. Shahriari, A., Daei- Karimzadeh, S., Behmanesh, R. (2021). Stock portfolio optimization in fireworks algorithm using risk value and comparison with Particle Swarm Optimization (PSO). Journal of Financial Management Perspective, 11(35), 9-37. doi: 10.52547/jfmp.11.35.9. (in pesrian)
  27. Shiri Ghehi, A., Didehkhani, H., Khalili Damghani, K., Saeedi, P. (2018). Developing a Fuzzy Multibjective Model for Multiperiod Portfolio Optimazation Considering Average Value at Risk. 9(35), 131-151.(in pesrian)
  28. Taghizadeh Yazdi, M., Fallahpour, S., Ahmadi Moghaddam, M. (2017). Portfolio selection by means of Meta-goal programming and extended lexicograph goal programming approaches. Financial Research Journal, 18(4), 591-612. doi: 10.22059/jfr.2017.62580.(in pesrian)
  29. Tehrani, R., Fallah Tafti, S., & Asefi, S. (2018). Portfolio optimization using krill herd metaheuristic algorithm considering different measures of risk in Tehran stock exchange. Financial research journal, 20(4), 409-426.
  30. Unni, A. C., & Ongsakul, W. (2020). Fuzzy-based novel risk and reward definition applied for optimal generation-mix estimation. Renewable Energy, 148, 665-673.
  31. Wang, G. G., Gandomi, A. H., & Alavi, A. H. (2014). An effective krill herd algorithm with migration operator in biogeography-based optimization. Applied Mathematical Modelling, 38(9-10), 2454-2462.
  32. Wang, G. G., Gandomi, A. H., Alavi, A. H., & Hao, G. S. (2014). Hybrid krill herd algorithm with differential evolution for global numerical optimization. Neural Computing and Applications, 25(2), 297-308.
  33. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67-82.
چشم انداز مدیریت مالی
دوره 12، شماره 39
مهر 1401
صفحه 147-169

فایل ها

هم رسانی

ارجاع به این مقاله

آمار