سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

مظاهری زاوه, مرضیه, فکور ثقیه, امیر محمد, سلیمانی فرد, امید. (1402). بهینه‌سازی سبد سهام چنددوره‌ای با استفاده از آنتروپی امکانی و الگوریتم ازدحام ذرات. , 13(4), 179-207. doi: 10.48308/jimp.13.4.179
مرضیه مظاهری زاوه; امیر محمد فکور ثقیه; امید سلیمانی فرد. "بهینه‌سازی سبد سهام چنددوره‌ای با استفاده از آنتروپی امکانی و الگوریتم ازدحام ذرات". , 13, 4, 1402, 179-207. doi: 10.48308/jimp.13.4.179
مظاهری زاوه, مرضیه, فکور ثقیه, امیر محمد, سلیمانی فرد, امید. (1402). 'بهینه‌سازی سبد سهام چنددوره‌ای با استفاده از آنتروپی امکانی و الگوریتم ازدحام ذرات', , 13(4), pp. 179-207. doi: 10.48308/jimp.13.4.179
مظاهری زاوه, مرضیه, فکور ثقیه, امیر محمد, سلیمانی فرد, امید. بهینه‌سازی سبد سهام چنددوره‌ای با استفاده از آنتروپی امکانی و الگوریتم ازدحام ذرات. , 1402; 13(4): 179-207. doi: 10.48308/jimp.13.4.179

بهینه‌سازی سبد سهام چنددوره‌ای با استفاده از آنتروپی امکانی و الگوریتم ازدحام ذرات

چشم‌انداز مدیریت صنعتی
دوره 13، شماره 4 - شماره پیاپی 52، 1402، صفحه 179-207    اصل مقاله (1.16 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.13.4.179
نویسندگان
مرضیه مظاهری زاوه1؛ امیر محمد فکور ثقیه* 2؛ امید سلیمانی فرد3
1کارشناس ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد.
2دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد.
3دانشیار، گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد.
چکیده
در این پژوهش، انتخاب سبد سهام چند دوره­ای درحالت عدم­‌قطعیت و با درنظرگرفتن هزینه­‌های معاملاتی، مدل‌سازی و حل شد. به‌منظور انتخاب سبد سهام چنددوره‌­ای با چهار معیار بازده، ریسک، درجه تنوع­‌بخشی سبد سهام و هزینه معاملاتی، یک مدل میانگین-نیم‌­واریانس-آنتروپی امکانی معرفی شد. در این مدل سطح بازده با مقدار میانگین امکانی بازده، سطح ریسک با نیم­‌واریانس امکانی پایینی بازده و درجه تنوع­‌پذیری سبد سهام به‌وسیله آنتروپی امکانی محاسبه شد. برای درنظرگرفتن عدم‌­قطعیت در مدل پیشنهادی، از نظریه فازی استفاده شده و بازده سهام، عدد فازی ذوزنقه‌­ای درنظرگرفته شد. باتوجه به پیچیدگی محاسباتی مسئله، الگوریتم بهینه­‌سازی ازدحام ذرات چندهدفه برای حل مدل به‌­کار رفت. به‌منظور ارزیابی عملکرد مدل پیشنهادشده، مدلی مشابه، مشتمل بر آنتروپی تناسبی، مدل‌سازی و حل شد و نتایج آن با مدل آنتروپی امکانی مقایسه شد. نتایج نشان داد که مدل آنتروپی امکانی از مدل آنتروپی تناسبی بهتر است؛ زیرا مرز کارایی بهتری ارائه می­‌دهد. با توجه به پرتفوهای بهینه به‌­دست­‌آمده از یک بار اجرای الگوریتم روی مدل آنتروپی امکانی در دوره­‌ی زمانی سوم، بیشترین درصد سهام انتخاب­‌شده در سبد بهینه سرمایه­‌گذار ریسک‌­پذیر، ریسک­‌گریز و بی‌­تفاوت نسبت به ریسک، به‌­ترتیب کگل، حکشتی و شخارک هستند.
کلیدواژه‌ها
آنتروپی امکانی؛ آنتروپی تناسبی؛ بهینه­‌سازی ازدحام ذرات چندهدفه؛ ثروت نهایی؛ سبد سهام چنددوره‌­ای
عنوان مقاله [English]
The Multi-period Portfolio Optimization Using Possibilistic Entropy and Particle Swarm Optimization(PSO)
نویسندگان [English]
Marzieh Mazheri Zaveh1؛ Amir Mohammad Fakoor Saghih2؛ Omid Soleimani Fard3
1Master's degree, Department of Management, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad.
2Associate Professor, Department of Management, Faculty of Economics and Administrative Sciences,Ferdowsi University of Mashhad.
3Associate Professor, Department of Applied Mathematics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad.
چکیده [English]
In this research, multi-period stock portfolio selection was modeled and solved under uncertainty and considering transaction costs. A possibilistic mean-semivariance-entropy model for multi-period portfolio selection by taking into account four criteria viz., return, risk, diversification degree of portfolio and transaction cost was introduced. In this model, the return level by the possibilistic mean value of return, the risk level by the lower possibilistic semivariance of return, and the diversification degree of portfolio was quantified by the possibilistic entropy. We used fuzzy theory in order to consider uncertainty in proposed model and considered asset returns as trapezoidal fuzzy numbers. MOPSO algorithm was used to solve the model. In order to evaluate the proposed models performance, a similar model including proportional entropy was modeled and solved and its results were compared with the possibilistic entropy model. The results of this comparison showed that the possibilistic entropy model is better than the proportional entropy model because it provides better efficiency frontier. Regarding the optimized portfolios in one-time implementation of the algorithm on the possibilistic entropy model in third-time period, the highest percentage of stocks selected in the optimal portfolio of risk seeker, risk averse and risk neutral investor is respectively kagol,hakeshti and shekhark.
کلیدواژه‌ها [English]
Multi-Period Portfolio, Multi Objective Particle Swarm Optimization (MOPSO), Possibilistic Entropy, Proportional Entropy, Terminal Wealth
مراجع
  1. Adeli, M., & Zandieh, M. (2013). Multiobjective Simulation-Optimization Approach for Integrated Sourcing and Inventory Decisions. The Journal of Industrial Management Perspective, 3(3), 89-110. (In Persian)
  2. Alahrezaee, A., Falahati, A., Sohaili, K. (2019). Portfolio Optimization Using Three-Objective Particle Swarm Optimization. Quarterly Journal of Applied Theories of Economics, 5(4), 31-52
  3. Azizpour Nafari, M. (2017). Risk minimization with optimal selection of multi-period portfolio, Master’s Degree dissertation. Shahrood University of Technology, shahrood (In Persian).
  4. Goudarzi, M. (2016). Approach to Portfolio Optimization, Master’s Degree dissertation. University of Guilan, Guilan. (In Persian)
  5. KhadempourArani, A., Keyghobadi, A., MadanchiZaj, M., Zomorodian, G. (2022). Integrated Multi-Objective and Econometrics Model for Stock Portfolio Optimization. Financial Accounting and Auditing Research, 14(54), 263-292. doi: 10.30495/faar.2022.693677
  6. Khakbiz, M., Rezaei Pandari, A., & Dehghan Nayeri, M. (2017). Selection and Solving it with Genetic Algorithms. The Journal of Industrial Management Perspective, 7(1), 173-196. (In Persian)
  7. Motameni, A., & Sharifi Salim, A. (2012). Propounding a Model for Portfolio Selection in Stock Exchange by Using of MCDM (Case Study: 50 Better Companies). The Journal of Industrial Management Perspective, 2(1), 73-89. (In Persian)
  8. Mushakhian, S., & Najafi, A. A. (2015). Using Multi objective particle swarm optimization (MOPSO) algorithms to solve a multi-period Mean-Semivariance-Skewness stochastic optimization model. Financial Engineering and Portfolio Management, 6(23), 133-147. (In Persian)
  9. Saeedpour, S. (2016). Application of possibilistic entropy in portfolio selection using genetic algorithm in Tehran stock exchange, Master’s Degree dissertation. University of Qom, Qom. (In Persian)
  10. Shiri Ghahi, A., Didehkhani, H., Khalili Damghani, K., & Saeedi, P. (2017). A Comparative Study of Multi-Objective Multi-Period Portfolio Optimization Models in a Fuzzy Credibility Environment Using Different Risk Measures. Financial Management Strategy, 5(3), 1-26. (In Persian)
  11. Talebi, R. (2013). Investing in the Stock Exchange: Introduction to decide on financial issues. Tehran: Noorbakhsh Publishers. (In Persian)
  12. tse.ir (2009)
  13. Bermúdez, J. D., Segura, J. V., & Vercher, E. (2012). A multi-objective genetic algorithm for cardinality constrained fuzzy portfolio selection. Fuzzy Sets and Systems, 188(1), 16–26.
  14. Coello, C. A. C., Pulido, G. T., & Lechuga, M. S. (2004). Handling multiple objectives with particle swarm optimization. IEEE Transactions on Evolutionary Computation, 8(3), 256–279.
  15. Gupta, P., Inuiguchi, M., Mehlawat, M. K., & Mittal, G. (2013). Multiobjective credibilistic portfolio selection model with fuzzy chance-constraints. Information Sciences, 229, 1–17.
  16. Huang, X. (2012). An entropy method for diversified fuzzy portfolio selection. International Journal of Fuzzy Systems, 14(1), 160–165.
  17. Jana, P., Roy, T. K., & Mazumder, S. K. (2009). Multi-objective possibilistic model for portfolio selection with transaction cost. Journal of Computational and Applied Mathematics, 228(1), 188–196.
  18. Liu, Y.-J., Zhang, W.-G., & Xu, W.-J. (2012). Fuzzy multi-period portfolio selection optimization models using multiple criteria. Automatica, 48(12), 3042–3053.
  19. Liu, Y.-J., Zhang, W.-G., & Zhao, X.-J. (2018). Fuzzy multi-period portfolio selection model with discounted transaction costs. Soft Computing, 22(1), 177–193.
  20. Mansini, R., & Speranza, M. G. (1999). Heuristic algorithms for the portfolio selection problem with minimum transaction lots. European Journal of Operational Research, 114(2), 219–233.
  21. Mei, X., DeMiguel, V., & Nogales, F. J. (2016). Multiperiod portfolio optimization with multiple risky assets and general transaction costs. Journal of Banking & Finance, 69, 108–120.
  22. Schwindt, C., & Zimmermann, J. (Eds.). (2015). Handbook on project management and scheduling vol. 1. Cham, Switzerland: Springer International Publishing
  23. Yan, W., Miao, R., & Li, S. (2007). Multi-period semi-variance portfolio selection: Model and numerical solution. Applied Mathematics and Computation, 194(1), 128–134.
  24. Yu, Y., Deng, X., Chen, C., & Cheng, K. (2020). Research on Fuzzy Multi-objective Multi-period Portfolio by Hybrid Genetic Algorithm with Wavelet Neural Network. Engineering Letters, 28(2), 594-600.
  25. Yu, X. Deng, C. Chen, K. Cheng, “Research on fuzzy
    multi-objective multi-period portfolio by hybrid genetic algorithm
    with wavelet neural network,” Engineering Letters, vol. 28, no. 2, pp.
    594-600, 2020
  26. Zhang, W. G., Liu, Y. J., & Xu, W. J. (2012). A possibilistic mean-semivariance-entropy model for multi-period portfolio selection with transaction costs. European Journal of Operational Research, 222(2), 341–349.
  27. Zhang, X.-L., & Zhang, K.-C. (2009). Using genetic algorithm to solve a new multi-period stochastic optimization model. Journal of Computational and Applied Mathematics, 231(1), 114–123.
  28. Zhou, J., & Li, X. (2021). Multi-period mean-semi-entropy portfolio management with transaction costs and bankruptcy control. Journal of Ambient Intelligence and Humanized Computing, 12(1), 705-715.
  29. Zhu, H., Wang, Y., Wang, K., & Chen, Y. (2011). Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem. Expert Systems with Applications, 38(8), 10161–10169.
آمار
تعداد مشاهده مقاله: 5,057
تعداد دریافت فایل اصل مقاله: 2,989