بهینه‌سازی سبد سهام در الگوریتم آتش‌بازی با استفاده از ارزش در معرض خطر و مقایسه آن با الگوریتم انبوه‌ذرات

ماهیت فعالیت‌های تجاری و سرمایه‌گذاری به گونه‌ای است که کسب بازدهی مستلزم تحمل ریسک است. انتخاب سبد سهام عمل دشوار و سختی است که سرمایه‌گذار خود را در مقابل انتخاب زیاد و گوناگونی می‌بیند که باید یکی از آن‌ها را به عنوان بهترین روش انتخاب کند. پژوهش حاضر به مساله بهینه‌سازی سبد سهام با توجه به ارزش در معرض ‌خطر  بر مبنای الگوریتم هوشمند آتش‌بازی و مقایسه آن با الگوریتم انبوه‌ذرات از روش شبیه‌سازی تاریخی با استفاده از نرم‌افزارmatlab  می‌پردازد. تنظیم پارامترهای الگوریتم‌های فراابتکاری به روش تاگوچی با استفاده از نرم افزارminitab  انجام شد. در این پژوهش از اطلاعات سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار که اطلاعات قیمت و بازده نقدی آن‌ها بین سال‌های  1396 تا شهریور 1399 ثبت شده است و مطابق ماده 141 قانون تجارت مشمول تعلیق نیستند، استفاده شد. جهت پایایی پژوهش از آزمون دیکی فولر تعمیم یافته و آزمون فیلیپس پرون استفاده شد. برای ارزیابی دقت مدل ارزش در معرض خطر از آزمون نسبت شکست کوپیک، آزمون استقلال کریستوفرسن و آزمون ترکیبی استفاده شده است. همچنین مقایسه ای نیز بین مدل‌ها توسط آزمون لوپز صورت گرفت. زمان اجرای الگوریتم انبوه‌ذرات نسبت به الگوریتم آتش‌بازی در هر سه سطح اطمینان کمتر بوده است اما سرعت همگرایی الگوریتم آتش‌بازی نسبت به الگوریتم انبوه‌ذرات در همه سطوح بیشتر بوده است. یافته‌های پژوهش نشان داد که مدل ارزش در معرض خطر با استفاده از الگوریتم آتش‌بازی علی رغم زمان اجرای بیشتر  به علت سرعت همگرایی بهتر و رتبه بالاتر آزمون لوپز از اعتبار مناسب‌تری جهت بهینه‌سازی سبد سهام برخوردار است.

Stock portfolio optimization in fireworks algorithm using risk value and comparison with Particle Swarm Optimization (PSO)

The nature of business and investment activities is such that earning a return requires risk tolerance. Choosing a stock portfolio is a difficult and difficult task that the investor sees in the face of the many and varied choices that she must choose as one of the best methods. The present study deals with the problem of stock portfolio optimization according to the Value at Risk based intelligent fireworks algorithm and compares it with Particle Swarm Optimization algorithm with the historical simulation method using MATLAB software. The parameters of metaheuristic algorithms were adjusted by Taguchi method using MINITAB software. Not suspended, used. For reliability of the study, generalized DickeyFuller test and PhillipsProne test were used. To evaluate the accuracy of the Conditional Value at Risk model, the kupiec proportion of failure test, Christoffersen independence test and Conditional coverage test are used.  A comparison was also made between the models by Lopez test. The execution time of the Particle Swarm Optimization was less than that of the fireworks algorithm at all three levels of confidence, but the convergence speed of the fireworks algorithm was faster than that of the Particle Swarm Optimization at all levels. Findings showed that the Value at Risk model using the fireworks algorithm, despite the longer execution time due to better convergence speed and higher rank of Lopez test has a more appropriate validity for stock portfolio optimization.