|
|
|
|
انتخاب بهینه سبد سهام با محدودیت با استفاده از الگوریتم ژنتیک تنظیم شده
|
|
|
|
|
|
|
|
نویسنده
|
نعیمی صدیق علی ,وفادوست سبزوار پوریا
|
|
منبع
|
مدل سازي در مهندسي - 1393 - دوره : 12 - شماره : 38 - صفحه:1 -13
|
|
چکیده
|
سبد سهام مجموعه یا ترکیبی از سرمایه گذاریهاست که ممکن است توسط یک فرد یا یک سازمان انجام شوند. بنابراین بهینه سازی آن بسیار اهمیت پیدا می کند چرا که در این صورت می توان با کمترین ریسک بیشترین سود را بدست آورد. این مقاله مسئله بهینه سازی سبدسهام را با اضافه کردن محدودیت هایی مثل حدود خرید و محدود کردن تعداد خرید، برای نزدیک تر شدن به شرایط دنیای واقعی مورد بررسی قرار می دهد این در حالی است که روش های عادی نمی توانند جواب های قابل قبولی را برای آن ارائه دهند. بنابراین ما برای حل این مسئله از الگوریتم ژنتیک که با الهام از پدیده طبیعی تکامل، پایه ریزی شده استفاده نموده ایم. الگوریتم ژنتیک توسط افراد دیگری برای این مسئله مورد استفاده قرار گرفته اما جواب های آن با روش های نوین ابداعی که به تازگی برای آن استفاده می شوند قابل رقابت نیست در این مقاله نشان می دهیم که این الگوریتم هنوز کارایی لازم را دارد. پارامتر های مختلفی که در این الگوریتم مورد استفاده قرار گرفته است همگی بوسیله روش آماری تاگوچی کالیبره شده اند. در نهایت با مقایسه نتایج این روش با سایر روش ها پی به کارا بودن این الگوریتم برای مسئله سبد سهام می بریم.
|
|
کلیدواژه
|
سبد سهام، الگوریتم ژنتیک، بهینه سازی سبد سهام، سبد سهام با محدودیت، روش تاگوچی
|
|
آدرس
|
دانشگاه سمنان, گروه مهندسی صنایع, ایران, دانشگاه سمنان, ایران
|
|
پست الکترونیکی
|
pvs078@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
CONSTRAINED PORTFOLIO SELECTION OPTIMIZATION USING CALIBRATED GENETIC ALGORITHM
|
|
|
|
|
Authors
|
naimi sadigh ali ,vafadoust sabzevar puria
|
|
Abstract
|
Portfolios are a proper collection of investments choosing by an organization or a person. Hence portfolio optimization is a very prominent problem by optimizing which we can attain more profit with the less risk. In this paper, we consider a portfolio optimization problem with some constraints such as boundary and cardinality constraints. Although adding these constraints makes the model more adapted to real world problems, it leads to disability of exact methods to find the optimal solutions in a reasonable time. In order to find optimal solutions, we use an improved genetic algorithm inspiring by natural evolution. We indicate that our proposed algorithm is more efficient and effective than many genetic algorithms which have been previously presented. Parameter setting of the proposed algorithm is done by means of a statistical method based on Taguchi technique. Finally, we perform some computational experiments which confirm the efficiency of our algorithm for portfolio optimization.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|