مقایسه الگوریتمهای پیش بینی و بهینه سازی در بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار اقتصاد، دانشگاه خوارزمی

2 کارشناسی ارشد مدیریت مالی، دانشگاه خوارزمی

چکیده

 
در این مطالعه، با استفاده از دو الگوریتم شبکه عصبی مصنوعی و شبکه فازی- عصبی به عنوان دو الگوریتم پیش­بینی قیمت اوراق بهادار و از دو الگوریتم ممتیک حرکت تجمعی ذرات، الگوریتم ژنتیک و روش کوادراتیک به منظور حل مساله بهینه­سازی پرتفوی بدون محدودیت برای 23 شرکت فعال بازار بورس طی سال­های 94-1391 به صورت روزانه استفاده شده است. نتایج حاصل از این تحقیق نشان می­دهد که شبکه­های عصبی توانسته عملکرد بهتری را در پیش­بینی بازده اوراق بهادار نسبت به سیستم فازی عصبی نشان دهد و همچنین در بررسی عملکرد سه الگوریتم کوادراتیک، ژنتیک و ممتیک، نتایج نشان می­دهد که الگوریتم جهش ترکیبی قورباغه توانسته عملکرد و نتیجه بهتری را در مقایسه با الگوریتم ژنتیک نسبت به الگوریتم کوادراتیک نشان دهد. و همچنین نتایج این مطالعه، نشان می­دهد که الگوریتم شبکه عصبی می­تواند الگوریتمی قابل اتکا برای سهامداران باشد.   

کلیدواژه‌ها


عنوان مقاله [English]

The Comparison of Prediction and Optimization Algorithms in Portfolio Selection on Tehran Stock Market

نویسندگان [English]

  • Majid Feshari 1
  • Pooria Mazaherifar 2
1 Assistant Professor of Economics, University of Kharazmi
2 MA in Financial Management, University of Kharazmi
چکیده [English]

In this study, two algorithms, neural networks and fuzzy neural networks, are used to predict the stock prices, and two memetic algorithms, particle swarm and genetic algorithm, together with quadratic method are used to solve unbounded optimization problem by applying daily data of 23 listed companies on Tehran Stock Market during 2012-2015. The findings show that artificial neural networks have better performance than fuzzy neural network in predicting yields. In addition, the comparison of performances of quadratic, genetic and shuffle frog Leaping (SFL) algorithms reveal that SFL algorithm has recorded better performance than genetic and quadratic algorithms. As a result, artificial neural network may be a reliable algorithm for shareholders.
 

کلیدواژه‌ها [English]

  • Portfolio Optimization
  • Meta-Heuristic Algorithms
  • Neural Network
  • Adaptive Neuro-Fuzzy Interference System

 

-        اسلامی بیدگلی، غلامرضا و طیبی ثانی، احسان. (1393). بهینه سازی سبد سرمایه گذاری بر اساس ارزش در معرض ریسک با استفاده از الگوریتم کلونی مورچگان. مجله مهندسی مالی و مدیریت اوراق بهادار، 18، صص 184-163.

-         اسلامی بیدگلی، غلامرضا؛ وافی ثانی، جلال؛ علیزاده، مجید و باجلان، سعید. (1388). بهینه­سازی و بررسی اثر میزان تنوع بر عملکرد پرتفوی با استفاده از الگوریتم مورچگان. فصلنامه بورس اوراق بهادار، تهران، 5، صص 75-57.

-         آذر، عادل و افسر، امیر. (1385).  مدل سازی پیش بینی قیمت سهام با رویکرد شبکه ‌های عصبی فازی. پژوهشنامه بازرگانی، 10، صص 52-33.

-         حنفی­زاده، پیام؛ پورسلطانی، حسین و ساکتی، پریسا. (1386). بررسی مقایسه‎ای توان پیش‎بینی شبکه‎های عصبی مصنوعی با روش توقف زود هنگام و فرایند سری زمانی خودبازگشت در براورد نرخ تورم، مجله تحقیقات اقتصادی، شماره 4، صص 11-1.

-          فامیلیان، مولود. (1394). بهینه­سازی سبد سهام با استفاده از الگوریتم جستجوی فاخته و رقابت استعماری. دومین کنفرانس بین­المللی پژوهش­های نوین در مدیریت، اقتصاد و حسابداری.

-        کریمی، محمد؛ سینایی، حسنعلی و درزبان عزیزی، عبدالهادی. (1391). بررسی کارایی تشکیل سبد اوراق بهادار با رویکرد تصمیم گیری چند معیاره، پایان نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز.

-        Chen, W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A: Statistical Mechanics and its Applications, 429, 125-139.

-        Cheng, M. Y., & Prayogo, D. (2014). Symbiotic organisms search: a new metaheuristic optimization algorithm. Computers & Structures, 139, 98-112.

-        Deng, G. F., Lin, W. T., & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.

-        Eusuff, M., Lansey, K., & Pasha, F. (2006). Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization. Engineering Optimization, 38(2), 129-154.

-        Farzi, S., Shavazi, A. R., Pandari, A., & Graduated, M. A. (2015). Using quantum-behaved particle swarm optimization for portfolio selection problem. Int. Arab J. Inf. Technol., 10(2), 111-119.

-        Kamili, H., & Raffi, M.E. (2016). Portfolio Optimization Using the Bat Algorithm. International Review on Computer and Software (IRECOS), 11(3), 277-283.

-        Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91.

-        Markowitz, H. M. (1959). Portfolio selection: efficient diversification of investments (Vol. 16). Yale university press.

-        Salahi, M., Daemi, M., Lotfi, S., & Jamalian, A. (2014). PSO and harmony search algorithms for cardinality constrained portfolio optimization problem. AMO–Advanced Modeling and Optimization, 16(3), 559-573.

-        Toloie-Eshlaghy, A., Abdolahi, A., Moghadasi, M., & Maatofi, A. (2011). Using genetic and particle swarm algorithms to select and optimize portfolios of companies admitted to Tehran stock exchange. Research Journal of Internatıonal Studıes-Issue, 95-105.

-        Tuba, M., & Bacanin, N. (2014). Artificial bee colony algorithm hybridized with firefly algorithm for cardinality constrained mean-variance portfolio selection problem. Appl. Math. Inf. Sci, 8(6), 2831-2844.