بررسی کارآمدی مدل های بهینه سازی؛ میانگین-نیم واریانس، ارزش در معرض خطر مشروط و الگوریتم ژنتیک چند هدفه( NSGAII) تحت معیار ریسک CVAR و MSV در تعیین سبدسهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
انتخاب سبدسهام بهینه به عنوان مسئله ای مهم در اقتصاد مطرح است. تکنیک و ابزارهای متعددی برای حل مساله سبد بهینه سهام وجود دارد. در این پژوهش داده های 15 سهام از شرکت های پذیرفته شده در بورس اوراق بهادار تهران شامل نمادهای؛ خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت با روش نمونه گیری خوشه ای و حذف سیستماتیک انتخاب شدند. ابتدا بازده این سهام بصورت روزانه در بازه زمانی 31/3/1394-31/3/1399 طی 5 سال به مدت 1183 روز محاسبه گردید. سپس با استفاده از مدلهای ریسک "میانگین-نیم واریانس، ارزش در معرض خطر مشروط، ریسک سبد سرمایه گذاری آنها محاسبه می-شوند. و این دو معیار از روش حل کلاسیک با هم مقایسه می شوند. خروجی بهینه سازی سبد با هر یک از این ریسک ها وزن متفاوتی از هر سهم را نشان می دهد. سپس مدل های ریسک میانگین-نیم-واریانس و ارزش در معرض خطر مشروط از روش فرا ابتکاری الگوریتم ژنتیک چند هدفه با هم مقایسه می شوند. نتایج حاکی از آن است که روش الگوریتم ژنتیک چند هدفه در مقایسه با روش کلاسیک بازدهی سبد بیشتری در معیار میانگین-نیم واریانس به نمایش گذاشت. لذا روش بهتری برای بهینه سازی سبد سهام می باشد.Examining the Efficiency Models, Markowitz Mean–Semi Varianc, VaR and multi-objective Genetic Algorithm (NSGAII) under MSV and CVAR risk criterion in Selection Optimal Portfolio Shares Listed Firms on Stock Exchange
Choosing the optimal stock portfolio is an important issue in the economy. There are several techniques and tools to solve problem the optimal portfolio. In this research, using data of 15 stocks which randomly selected from the Tehran Stock Exchange including; PKOD, ZMYD, BPAS, FOLD, MKBT, GOLG, MSMI, PTAP, SSEP, AZAB, FKAS, NBEH, PFAN, GMRO and GSBE, the first return of these stocks are calculated daily in the period of 31/3/1394 -31/3/1399 for 5 years for 1183 days. Then and their portfolio risk is calculated using the models of mean–semi variance risk and conditional value at risk, and these two criteria are compared by the classical solution method. The portfolio optimization output with each of these risks represents a different weight per share. In the following, the mean–semi variance risk model and conditional value at risk model of metaheuristic method using MATLAB (R2019) software are compared. The results showed that the metaheuristic method of genetic algorithm compared to the classical method of mean–semi variance and conditional risk value of deviation in solving the problem of portfolio optimization had higher returns and lower risk under the risk criterion of mean–semi variance and therefore a better method for solve optimization problems.
تبلیغات
