دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

آمار

تعداد نشریات41
تعداد شماره‌ها1,027
تعداد مقالات12,549
تعداد مشاهده مقاله13,744,427
تعداد دریافت فایل اصل مقاله11,690,530
مصطفائی درمیان, سبحان, دعائی, میثم. (1400). ارائه رویکردی مبتنی بر بهینه‌سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم‌های فراابتکاری. سامانه مدیریت نشریات علمی, 8(4), 253-284. doi: 10.22034/ecoj.2022.47049.2913
سبحان مصطفائی درمیان; میثم دعائی. "ارائه رویکردی مبتنی بر بهینه‌سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم‌های فراابتکاری". سامانه مدیریت نشریات علمی, 8, 4, 1400, 253-284. doi: 10.22034/ecoj.2022.47049.2913
مصطفائی درمیان, سبحان, دعائی, میثم. (1400). 'ارائه رویکردی مبتنی بر بهینه‌سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم‌های فراابتکاری', سامانه مدیریت نشریات علمی, 8(4), pp. 253-284. doi: 10.22034/ecoj.2022.47049.2913
مصطفائی درمیان, سبحان, دعائی, میثم. ارائه رویکردی مبتنی بر بهینه‌سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم‌های فراابتکاری. سامانه مدیریت نشریات علمی, 1400; 8(4): 253-284. doi: 10.22034/ecoj.2022.47049.2913

ارائه رویکردی مبتنی بر بهینه‌سازی تصادفی به منظور حل مساله انتخاب سبد سهام در بازار سرمایه ایران با استفاده از الگوریتم‌های فراابتکاری

فصلنامه علمی نظریه های کاربردی اقتصاد
دوره 8، شماره 4 - شماره پیاپی 31، اسفند 1400، صفحه 253-284  XML اصل مقاله (629.6 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/ecoj.2022.47049.2913
نویسندگان
سبحان مصطفائی درمیان1؛ میثم دعائی email orcid 2
1کارشناسی ارشد مهندسی صنایع دانشگاه کردستان
2گروه مدیریت مالی، واحد اسفراین، دانشگاه آزاد اسلامی، اسفراین، ایران
چکیده
در این پژوهش مساله بهینه­سازی سبد سهام در شرکت­های پذیرفته شده در بازار سرمایه ایران به عنوان یک مساله بهینه­سازی تصادفی چندهدفه مورد بررسی قرار گرفته است. تابع هدف اول شامل کمینه­سازی ریسک و تابع هدف دوم شامل بیشینه­سازی بازده است. محدودیت­های مدل شامل محدودیت انتخاب شرکت­ها به صورت منحصربفرد و همچنین محدودیت بودجه می­باشد. به منظور حل مساله، دو الگوریتم فراابتکاری ژنتیک و گرگ خاکستری توسعه داده شده که با استفاده مثال­های عددی برگرفته از 491 شرکت پذیرفته شده در بورس اوراق بهادار تهران و فرابورس ایران از تاریخ 5 فروردین 1397 تا 30 آذر 1400، مورد تجزیه و تحلیل عددی قرار گرفتند. مطابق با نتایج عددی می­توان مشاهده نمود الگوریتم گرگ خاکستری در تمامی مثال­ها دارای کارایی بالاتری نسبت به الگوریتم ژنتیک است. البته قابل توجه است که در هیچ کدام از مثال­های عددی، درصد پاسخ­های ناموجه در رویه بهبود الگوریتم­ها از 02/10 درصد بیشتر نشده است. همچنین درصد بهبود کارایی الگوریتم گرگ خاکستری نسبت به الگوریتم ژنتیک بین 3 تا 11 درصد گزارش شده است.
کلیدواژه‌ها
بهینه‌سازی سبد سهام؛ الگوریتم ژنتیک؛ الگوریتم گرگ خاکستری؛ بورس اوراق بهادار تهران و فرابورس ایران
مراجع
  1. دعائی، میثم و صابرفرد، مهسا (1400). رویکرد محدودیت شانس با امکان تصحیح نسبی در مساله انتخاب سبد سهام در بازار سرمایه ایران.مهندسی مالی و مدیریت اوراق بهادار، 12(46)، 690-667.
  2. رامتین نیا، شاهین و عطرچی، رومینا (1397). بهینه­سازی سبد سهام با استفاده از الگوریتم تکامل تفاضلی و رویکرد ارزش در معرض ریسک مشروط. دانش مالی تحلیل اوراق بهادار، 11(40)، 36-25.
  3. راموز، نجمه، اکبری آقمشهدی، زهرا، عاطف دوست، علیرضا (1399). انتخاب پرتفوی بهینه با استفاده از مدل برنامه ریزی توافقی در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 8(1)، 74-54.
  4. رضایی، اسدالله، فلاحتی، علی و سهیلی، کیومرث (1397). بهینه‌سازی سبد سهام با استفاده از الگوریتم تجمع ذرات سه هدفه. فصلنامه نظریه­های کاربردی اقتصاد، 5(4)، 31-52.
  5. سینا، افسانه و فلاح شمس، میرفیض (1398). بهینه­سازی سبد سرمایه­گذاری با رویکرد نظریه ارزش فرین در بورس اوراق بهادار تهران. مهندسی مالی و مدیریت اوراق بهادار، 10(40)، 200-184.
  6. وکیلی فرد، حمیدرضا، پیله وری، نازنین و زیدی، سیده سمانه (1393). ارائه مدلی جهت پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق­پذیر. مهندسی مالی و مدیریت اوراق بهادار، 5(18)، 17-30. ‎
  7. یوسفی طزرجان، مصطفی، صفی صمغ آبادی، اعظم دخت و معماریانی، عزیزاله. (1400). پیش‌بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی. مهندسی مالی و مدیریت اوراق بهادار، 12(46)، 557-540.
 

  1. Benita, F., López-Ramos, F., & Nasini, S. (2019). A bi-level programming approach for global investment strategies with financial intermediation. European Journal of Operational Research, 274(1), 375-390.‏
  2. Bilbao-Terol, A., Jiménez-López, M., Arenas-Parra, M., & Rodríguez-Uría, M. (2018). Fuzzy multi-criteria support for sustainable and social responsible investments: the case of investors with loss aversion. In The Mathematics of the Uncertain (pp. 555-564). Springer, Cham.‏
  3. Bozorg-Haddad, O. (Ed.). (2018). Advanced optimization by nature-inspired algorithms (Vol. 720). Singapore: Springer.‏
  4. Castilho, D., Gama, J., Mundim, L. R., & de Carvalho, A. C. (2019, June). Improving portfolio optimization using weighted link prediction in dynamic stock networks. In International Conference on Computational Science (pp. 340-353). Springer, Cham.‏
  5. Cesarone, F., Scozzari, A., & Tardella, F. (2020). An optimization–diversification approach to portfolio selection. Journal of Global Optimization, 76(2), 245-265.‏
  6. Chen, X., Kelley, C. T., Xu, F., & Zhang, Z. (2018). A smoothing direct search method for Monte Carlo-based bound constrained composite nonsmooth optimization. SIAM Journal on Scientific Computing, 40(4), A2174-A2199.‏
  7. Doaei, M., Davarpanah, S. H., & Sabzi, M. Z. (2017). ANN-DEA approach of corporate diversification and efficiency in bursa Malaysia. Advances in Mathematical Finance and Applications, 2(1), 9-20.‏
  8. Doaei, M., Mirzaei, S. A., & Rafigh, M. (2021). Hybrid multilayer perceptron neural network with grey wolf optimization for predicting stock market index. Advances in Mathematical Finance and Applications, 6(4), 1-21.‏
  9. Farughi, H., Dolatabadiaa, M., Moradi, V., Karbasi, V., & Mostafayi, S. (2017). Minimizing the number of tool switches in flexible manufacturing cells subject to tools reliability using genetic algorithm. Journal of Industrial and Systems Engineering, 10(special issue on Quality Control and Reliability), 17-33.‏
  10. Farughi, H., Tavana, M., Mostafayi, S., & Santos Arteaga, F. J. (2020). A novel optimization model for designing compact, balanced, and contiguous healthcare districts. Journal of the Operational Research Society, 71(11), 1740-1759.‏
  11. Rahiminezhad Galankashi, M., Mokhatab Rafiei, F., & Ghezelbash, M. (2020). Portfolio selection: a fuzzy-ANP approach. Financial Innovation, 6(1), 1-34.‏
  12. Garcia, F., González-Bueno, J., Oliver, J., & Tamošiūnienė, R. (2019). A credibilistic mean-semivariance-PER portfolio selection model for Latin America. Journal of Business Economics and Management, 20(2), 225-243.‏
  13. González-Díaz, J., González-Rodríguez, B., Leal, M., & Puerto, J. (2021). Global optimization for bilevel portfolio design: Economic insights from the Dow Jones index. Omega, 102, 102353.‏
  14. Guo, S., & Ching, W. K. (2021). High-order Markov-switching portfolio selection with capital gain tax. Expert Systems with Applications, 165, 113915.‏
  15. Hadavandi, E., Mostafayi, S., & Soltani, P. (2018). A Grey Wolf Optimizer-based neural network coupled with response surface method for modeling the strength of siro-spun yarn in spinning mills. Applied Soft Computing, 72, 1-13.‏
  16. Jing, K., Xu, F., & Li, X. (2022). A bi‐level programming framework for identifying optimal parameters in portfolio selection. International Transactions in Operational Research, 29(1), 87-112.‏
  17. Kalashnikov, V. V., Kalashnykova, N. I., & Leal-Coronado, M. A. (2017). Solution of the portfolio optimization model as a bilevel programming problem. Bulletin of the Cherkasy Bohdan Khmelnytsky National University. Economic Sciences, (1).‏
  18. Kellner, F., & Utz, S. (2019). Sustainability in supplier selection and order allocation: Combining integer variables with Markowitz portfolio theory. Journal of cleaner production, 214, 462-474.‏
  19. Kobayashi, K., Takano, Y., & Nakata, K. (2020). Bilevel Cutting-plane Algorithm for Solving Cardinality-constrained Mean-CVaR Portfolio Optimization Problems. arXiv preprint arXiv:2005.12797.‏
  20. Liagkouras, K. (2019). A new three-dimensional encoding multiobjective evolutionary algorithm with application to the portfolio optimization problem. Knowledge-Based Systems, 163, 186-203.‏
  21. Majumdar, S., & Partridge, M. D. (2009). Impact of economic growth on income inequality: A regional perspective (No. 319-2016-9872).‏
  22. Masmoudi, M., & Ben Abdelaziz, F. (2017). A chance constrained recourse approach for the portfolio selection problem. Annals of Operations Research, 251(1), 243-254.‏
  23. Majumdar, S., & Partridge, M. D. (2009). Impact of economic growth on income inequality: A regional perspective (No. 319-2016-9872).‏
  24. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61.‏
  25. Oikonomou, I., Platanakis, E., & Sutcliffe, C. (2018). Socially responsible investment portfolios: Does the optimization process matter?. The British Accounting Review, 50(4), 379-401.‏
  26. Pesaran, H., & Shin, Y. (1999). An autoregressive distributed lag modelling approach to cointegration “chapter 11. In Econometrics and Economic Theory in the 20th Century: The Ragnar Frisch Centennial Symposium. Cambridge University Press Cambridge.‏
  27. Pesaran, M. H., Shin, Y., & Smith, R. J. (1996). Testing for the'Existence of a Long-run Relationship' (No. 9622). Faculty of Economics, University of Cambridge.‏
  28. Pesaran, M. H., & Smith, R. P. (2014). Signs of impact effects in time series regression models. Economics Letters, 122(2), 150-153.‏
  29. Pun, C. S. (2018). Time-consistent mean-variance portfolio selection with only risky assets. Economic Modelling, 75, 281-292.‏
  30. Quaranta, A. G., & Zaffaroni, A. (2008). Robust optimization of conditional value at risk and portfolio selection. Journal of Banking & Finance, 32(10), 2046-2056.‏
  31. Raza, S. A., & Shah, N. (2017). Tourism growth and income inequality: does Kuznets Curve hypothesis exist in top tourist arrival countries. Asia Pacific Journal of Tourism Research, 22(8), 874-884.‏
  32. Rubin, A., & Segal, D. (2015). The effects of economic growth on income inequality in the US. Journal of Macroeconomics, 45, 258-273.‏
  33. Rezaei, S., & Vaez-Ghasemi, M. (2020). A new Method for Sustainable Portfolio Selection with DEA, TOPSIS and MIP in Stock exchange.‏
  34. Stoilov, T., Stoilova, K., & Vladimirov, M. (2021). Explicit Value at Risk Goal Function in Bi-Level Portfolio Problem for Financial Sustainability. Sustainability, 13(4), 2315.‏
  35. Sinha, N. (2005). Growth, Inequality and Structural Adjustment: An Empirical Interpretation of the S-Curve for the Indian Economy. In Economic Growth, Economic Performance and Welfare in South Asia (pp. 369-383). Palgrave Macmillan, London.‏
  36. Tribble, R. (1996). The Kuznets-Lewis process within the context of race and class in the US economy. International Advances in Economic Research, 2(2), 151-164.‏
  37. Vickers, N. J. (2017). Animal communication: when i’m calling you, will you answer too?. Current biology, 27(14), R713-R715.
  38. Vuković, M., Pivac, S., & Babić, Z. (2020). Comparative analysis of stock selection using a hybrid MCDM approach and modern portfolio theory. Croatian Review of Economic, Business and Social Statistics, 6(2), 58-68.‏
  39. Wang, J., He, F., & Shi, X. (2019). Numerical solution of a general interval quadratic programming model for portfolio selection. PloS one, 14(3), e0212913.‏
  40. Xu, D., Ren, J., Dong, L., & Yang, Y. (2020). Portfolio selection of renewable energy-powered desalination systems with sustainability perspective: A novel MADM-based framework under data uncertainties. Journal of Cleaner Production, 275, 124114.‏
  41. Yoshino, N., Taghizadeh-Hesary, F., & Otsuka, M. (2021). Covid-19 and optimal portfolio selection for investment in sustainable development goals. Finance research letters, 38, 101695.‏‏
  42. Zhou, F., Wang, X., Goh, M., Zhou, L., & He, Y. (2019). Supplier portfolio of key outsourcing parts selection using a two-stage decision making framework for Chinese domestic auto-maker. Computers & Industrial Engineering, 128, 559-575.‏
آمار
تعداد مشاهده مقاله: 162
تعداد دریافت فایل اصل مقاله: 102


Contact Us | Help & Support | Site Map

Journal Management System. Designed by sinaweb.