این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات مالی، جلد ۱۶، شماره ۲، صفحات ۲۵۳-۲۷۰
عنوان فارسی بهینه‌سازی و مقایسۀ سبد سهام در بورس اوراق بهادار تهران با بهره‎مندی از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه
چکیده فارسی مقاله با وجود استفادۀ روزافزون از الگوریتم­های بهینه­سازی تکاملی چندهدفه در شاخه­های مختلف علوم، به‎کاربردن آنها به‎عنوان ابزار بسیار قدرتمند در زمینۀ بهینه­سازی سبد سرمایه، به‎ویژه حل مسئلۀ چندهدفه، همچنان در مراحل اولیۀ پژوهش است. در این مقاله، از الگوریتم‎های تکاملی چندهدفه برای حل مسئلۀ بهینه­سازی چندهدفۀ سبد سرمایه در بورس اوراق بهادار تهران استفاده شده است. برای این منظور، دو روش مهم و پرکاربردِ الگوریتم ژنتیک چندهدفه با مرتب‎سازی نامغلوب (NSGA-II) و بهینه­سازی چندهدفۀ ازدحام ذرات (MOPSO) با یکدیگر مقایسه شدند. جبهه­های بهینۀ پارِتوی به‎دست‎آمده، به سرمایه­گذار این امکان را می­دهد که از بین ریسک و ارزش‎های مختلف، سبد سرمایۀ بهینۀ مدنظر را انتخاب کند. ارزش سبد سرمایه و ریسک آن به‎عنوان اهداف بهینه­سازی و معیار ارزش در معرض ریسک مشروط به‎عنوان سنجۀ ریسک به‎کار برده شد و سه قید عملی و کاربردی نیز برای حل مسئله مدنظر قرار گرفت. نتایج، عملکرد بهتر روش NSGA-II را نسبت به MOPSO برای هر دو معیار همگرایی و گستردگی جبهه­های بهینۀ­ پارتو نشان داد. همچنین در پیش­بینی سبد سهام بهینه، انطباق جبهه­های بهینۀ پارتوی واقعی و پیش‎بینی‎شده، نشان‎دهندۀ کارایی بسیار مناسب روش­های استفاده‎شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Optimal Portfolio Prediction in Tehran Stock Market using Multi-Objective Evolutionary Algorithms, NSGA-II and MOPSO
چکیده انگلیسی مقاله Despite the growing use of evolutionary multi-objective optimization algorithms in different categories of science, these algorithms as a powerful tool in portfolio optimization and specially solving multi-objective portfolio optimization problem is still in its early stages. In this paper, MOEAs have been used for solving multi-objective portfolio optimization problem in Tehran stock market. For this purpose, Non-dominated Sorting Genetic Algorithm (NSGA_II) and Multi-objective Particle Swarm Optimization (MOPSO), as two common approaches, were compared with each other. Using pareto front, investors can choose optimal portfolio based on different risks and returns. Two objectives of the problem are return and risk of portfolio and CVaR is the risk metric. In order to solve the problem, three real-world constraints were considered. The results indicate that these approaches have a high performance in constraint portfolio optimization.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهسا رجبی |
دانشجوی دکتری برق ـ کنترل و سیستم، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

حمید خالوزاده |
استاد دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://jfr.ut.ac.ir/article_50715_585cb96acf8f5ee88526fdd187a14bd5.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات