عنوان پایان‌نامه
بهینه سازی سبد سرمایه گذاری به روش الگوریتم ژنتیک با استفاده از مدل میانگین - واریانس - چولگی بر مبنای بازده های فازی شبیه سازی شده از شبکه عصبی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55630
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۱
- دانشجو
- محمدرضا دهقانی احمداباد
- استاد راهنما
- شاپور محمدی
- چکیده
- مسئله انتخاب پرتفوی یکی از مهمترین مسائلی است که محققین حوزه مالی با آن سروکار دارند. وجود عدم اطمینان در بازده¬های آتی وهمچنین اهداف گوناگون و گاها متناقض، نیاز به بهینه سازی مقید را پدید آورده است. حداکثر سازی بازده در سطح مشخصی از ریسک یا حداقل سازی ریسک در سطح مشخصی از بازده، هسته اصلی رویکرد مارکویتز در انتخاب پرتفوی است. مارکویتز برای اولین بار ریسک را به صورت کمی تعریف کرد که در آن واریانس تابع توزیع بازده به عنوان معیاری از ریسک در نظر گرفته می¬شود. پس از کار بنیادین مارکویتز، محققین دیگر تلاش کردند تا با ارائه تعاریف کمی دیگری از ریسک(نیم واریانس، انحراف مطلق از میانگین، ارزش در معرض خطر و ...) مدل را بهبود دهند. پژوهش¬های اخیر پیشنهاد می¬کنند در صورتی که فروض زیر بنایی مدل مارکویتز نقض شوند، نمی¬توان از گشتاورهای مرتبه(چولگی و کشیدگی) بالاتر چشم پوشی کرد. مشترکا در همه مدل های ارائه شده، عدم اطمینان در خصوص بازده های آتی با استفاده از تصادفی فرض کردن بازده¬ها به تصویر کشیده شده است. در این پژوهش عدم اطمینان از بازده¬های آتی با استفاده از منطق فازی و تئوری اعتبار نشان داده شده است. همچنین برای آزمون کردن اهمیت چولگی در بهینه سازی پرتفوی از مدل میانگین – واریانس – چولگی استفاده و نتایج آن با مدل استاندارد مارکویتز مقایسه شده است. در نهایت در این پژوهش برای بهینه سازی پرتفوی و همچنین ترسیم مرز کارا از الگوریتم ژنتیک و الگوریتم برنامه ریزی غیر خطی مقید استفاده شده است. بر اساس نتایج این تحقیق، در صورتی که پرتفویی متشکل از شاخص صنایع بورس تهران با استفاده از مدل میانگین – واریانس – چولگی بهینه شوند، نسبت به مدل مارکویتز دارای چولگی و معیار شارپ تعدیل شده با چولگی (ASSR) بیشتری هستند. در نهایت، نتایج ترسیم مرز کارا نشان داد که از لحاظ معناداری آماری، الگوریتم برنامه ریزی غیر خطی مقید دارای عملکرد بهتری نسبت به الگوریتم ژنتیک است.
- Abstract
- Portfolio selection is one of the most important problems that finance practitioners deal with. Uncertain returns and also variety of aims as well as competing objectives of investors have necessitated constrained optimization. Minimizing risk at a given level of return or maximizing return at given level of risk is the core of Markowitz approach. For the first time, Markowitz defined variance of return distribution as a quantitative measure of risk. After seminal work of Markowitz, other scholars by redefining risk measure (semi-variance, absolute deviation, VaR and …) have tried to improve the model. Recent studies suggest that basic assumptions of Markowitz model refute, high order moments cannot be neglected. Common feature of all these models is that uncertainty of future returns are depicted by randomness. In this study, future uncertain returns are determined by applying fuzzy logic and credibility theory. In order to examin the importance of skewness in porfolio optimizing, mean – variance – skewness model is used and its results have been compared with Markowitz standard model. Finally, Genetic Algorithm and non-linear constrained programming algorithm would be used for optimization and drawing efficient frontier. Based on the study’s results, if a portfolio constituted of Tehran Exchange industries indices have been optimized by M-V-S model in comparison with M-V, it will have bigger skewness and better Adjusted Skewness Sharp Ratio (ASSR). Eventually, in drawing efficient frontier we found out that non-linear constrained programming algorithm significantly out performs Genetic algorithm.
