Abstract:
در مساله بهینه سازی پرتفوی ، مدل مارکویتز همچنان به عنوان رویکرد غالب شناخته شده است اما چون محدودیت هایی که در دنیای واقعی نظیر محدودیت تعدادداراییهای سبد یا حداقل و حداکثر مقدار هریک از داراییها در این مدل درنظر گرفته نشده است، این مدل در حل مسائل دنیای واقعی بعضا ناتوان می باشد. به همین دلیل استفاده از الگوریتم های فراابتکاری با توجه به ویژگی های منعطفی که دارند میتوانند مفید واقع شوند.
در پژوهش پیش رو از الگوریتم فراابتکاری به نام جستجوی انطباق تصادفی حریصانه(GRASP) برای رفع مشکل بهینه سازی پرتفوی با محدودیت کاردینالیتی (CCPO)استفاده شده استکه به جهت تطابق بیشتر با دنیای واقعی ، دو مجموعه محدودیت شامل محدودیتهای کف و سقف و محدودیت کاردینالیتی به مدل مارکویتز اضافه شده است . بررسی نتایج حاصل از بهینه سازی پرتفوی با الگوریتم GRASPبا نتایج مدل مارکویتز بر روی 199 شرکت طی دوره 5 ساله (1391-1395) ، در بورس اوراق بهادار تهران نشان می دهد براساس معیار شارپ در هر پرتفوی 5 ، 15 و30 شرکتی الگوریتم GRASP در بهینه سازی پرتفوی کاراتر از مدل مارکویتز عمل می کند.
In portfolio optimization problems, Markowitz model is still the dominant approach. However since real world constraints such as the limitations of the number of portfolio assets, or the minimum and maximum amount of each of the assets of portfolio, and other limitations have not been considered in Markowitz model, this model is incapable of solving the real world constraints. So, using meta-heuristic algorithms is suggested due to their flexible features.
In the present research, a meta-heuristic algorithm named greedy randomized adaptive search procedure (GRASP) has been used for solving the problem of cardinality constrained portfolio optimization (CCPO). For more adaptation to the real world, two sets of constraints including floor and ceiling constraints and cardinality constraint have been added to Markowitz model. As a result, the model was changed into a mixed-integer quadratic optimization model in order to solve the mentioned constraints of Markowitz model. In order to investigate whether GRASP-based portfolio optimization has a better performance than Markowitz model in Tehran Stock Exchange or not, the results of GRASP-based portfolio optimization were compared with the results of Markowitz model. For this purpose and by applying some limitations, 199 companies listed in Tehran Stock Exchange were selected during the 5-year period from 2011 until 2016, and the results of the two models were studied in 5, 15, and 30 portfolios. At the end, the statistical tests in SPSS resulted that GRASP algorithm is more efficient than Markowitz model in portfolio optimization.
Machine summary:
این مرز، منحنی پیوسته ای است که بهترین مبادله ٢١ میان بازده و ریسک سبد سهام را نشان داده و به راحتی توسط برنامه ریزی درجه دو قابل حل است اما با توجه به محدودیت ها و مشکلات مدل مارکویتز در یافتن مرز کارای سرمایه گذاری، برای بهینه سازی این مسئله مهم و کلیدی، از یکی از الگوریتم های فراابتکاری به نام الگوریتم GRASP استفاده می شود.
٤-٢-١- خروجی مدل مارکویتز مدل میانگین - واریانس استاندارد مارکویتز بدون در نظر گرفتن محدودیت عدد صحیح برای تعداد سهام موجود در پرتفوی و محدودیت های حد بالا و پایین برای نسبت سرمایه گذاری، یک فصلنامـه اقتصاد مالی شماره ٥١ / تابستان ١٣٩٩ مساله بهینه سازی از کلاس مسائلقابلحل میباشد که برای حل آن الگوریتم های کارایی وجود دارد و لذا استفاده از روش های فراابتکاری در این گونه مسائل دارای توجیه نمیباشد.
به عنوان مثال پس از اجرای الگوریتم Grasp، با اندازه سبد سهام ١٠ و نیز ضریب ریسک گریزی ٠,٥، خروجی به صورت زیر می باشد: فصلنامـه اقتصاد مالی شماره ٥١ / تابستان ١٣٩٩ (رجوع شود به تصویر صفحه) شکل فوق روند بهبود جواب به دست آمده در الگوریتم Graspدر طی تکرار های مختلف را نشان می دهد.
فصلنامـه اقتصاد مالی شماره ٥١ / تابستان ١٣٩٩ ٤-٥- تحلیل آماری نتایج به منظور بررسی کارایی الگوریتم Grasp در حل مسئله بهینه سازی سبد سهام ، از آزمون فرضیه استفاده می شود.