بهینه سازی پورتفولیوی میانگین-VaR (ارزش-در-ریسک)
چکیده
بهینه‌سازی پورتفولیو شامل تخصیص بهینه‌ی سرمایه‌ی محدود به دارایی‌های مالی مختلف قابل دسترس به منظور دستیابی به یک مبادله‌ی معقولانه بین سود و ریسک است. ما یک مدل میانگین-VaR مارکوویتز را در نظر می‌گیریم که در آن، واریانس با یک معیار ریسک استاندارد صنعتی، یعنی ارزش-در-رسیک (VaR)، به منظور ارزیابی بهتر قرار گرفتن در معرض ریسک بازار مربوط به نوسانات قیمت دارایی‌های مالی و کالایی جایگزین می‌شود. بهینه‌سازی واقع‌بینانه‌ی پوتفولیو در چارچوب کاری میانگین-VaR، مساله‌ای چالش برانگیز است زیرا بهینه‌سازی VaR منجر به یک مساله‌ی نامحدب NP-hard می‌شود که از لحاظ محاسباتی حل نشدنی است. در این کار، یک الگوریتم تکاملی چند-منظوره ترکیبی مبتنی بر یادگیری (MODE-LG) کارامد را به منظور حل مسائل بهینه‌سازی پورتفولیوی میانگین-VaR با محدودیت‌های جهان-واقعی، مانند کاردینالیته ، کمیت، پیش-تخصیص، Round-lot (یک واحد معامله در بورس است)، و محدودیت‌های کلاس ارائه می‌دهد. یک استراتژی تولید راه‌حل مبتنی بر یادگیری، در فرایند بهینه‌سازی چند-منظوره به منظور ارتقاء همگرایی کارامد به وسیله هدایت جستجوی تکاملی در جهت نواحی امیدبخش فضای جستجو ادغام می‌شود. الگوریتم ارائه شده، در برابر الگوریتم ژنتیکی مرتب‌سازی غیر-غالب (NSGA-II) و الگوریتم تکاملی قدرت پارتو (SPEA2) مقایسه می‌شود. نتایج تجربی به دست آمده با استفاده از داده‌های روزانه‌ی تاریخی بازار مالی از شاخص‌های S&P100 و S&P500 ارائه می‌شوند. نتایج تجربی نشان می‌دهند که MODE-GL، بهتر از دو تکنیک موجود برای این کلاس مهم مسائل سرمایه‌گذاری پورتفولیو در زمینه کیفیت راه‌حل و زمان محاسباتی عمل می‌کند. نتایج نشان می‌دهند که الگوریتم ارائه شده قادر به حل بهینه‌سازی پورتفولیوی پیچیده، بدون ساده‌سازی، است و در عین حال، راه‌حل‌های خوبی را در زمان معقول به دست می‌آورد و دارای پتانسیل قابل توجهی برای استفاده در عمل است.
Abstract
Portfolio optimization involves the optimal assignment of limited capital to different available financial assets to achieve a reasonable trade-off between profit and risk. We consider an alternative Markowitz’s mean–variance model in which the variance is replaced with an industry standard risk measure, Value-at-Risk (VaR), in order to better assess market risk exposure associated with financial and commodity asset price fluctuations. Realistic portfolio optimization in the mean-VaR framework is a challenging problem since it leads to a non-convex NP-hard problem which is computationally intractable. In this work, an efficient learning-guided hybrid multi-objective evolutionary algorithm (MODE-GL) is proposed to solve mean-VaR portfolio optimization problems with real-world constraints such as cardinality, quantity, pre-assignment, round-lot and class constraints. A learning-guided solution generation strategy is incorporated into the multi-objective optimization process to promote efficient convergence by guiding the evolutionary search towards promising regions of the search space. The proposed algorithm is compared with the Non-dominated Sorting Genetic Algorithm (NSGA-II) and the Strength Pareto Evolutionary Algorithm (SPEA2). Experimental results using historical daily financial market data from S & P 100 and S & P 500 indices are presented. The results show that MODE-GL outperforms two existing techniques for this important class of portfolio investment problems in terms of solution quality and computational time. The results highlight that the proposed algorithm is able to solve the complex portfolio optimization without simplifications while obtaining good solutions in reasonable time and has significant potential for use in practice.
چکیده
1. پیشگفتار
2. ارزش-در-ریسک: مروری اجمالی
3. مسائل بهینه‌سازی چند-منظوره‌ی پورتفولیو
3.1. مساله بهینه‌سازی پورتفولیوی میانگین-VaR
3.2. محدودیت های عملی
محدودیت کاردینالیته
محدودیت های کف و سقف
محدودیت پیش-تخصیص
محدودیت های Round Lot
محدودیت های کلاس
محدودیت های حد کلاس
3.3. مساله بهینه‌سازی عملی پورتفولیوی میانگین-VaR
4. یک الگوریتم تکاملی چند-منظوره‌ی یادگیری-محور
4.1. MODE-GL ارائه شده
5. ارزیابی عملکرد
5.1. مجموعه های داده
5.2. شاخص های کیفیت
5.3. رویکردهای مورد مطالعه
5.4. مقایسه های الگوریتم‌ها
6. نتیجه گیری‌ها
Abstract
1. Introduction
2. Value-at-Risk: an overview
3. Multi-objective portfolio optimization problems
3.1. Mean-VaR Portfolio Optimization Problem
3.2. Practical Constraints
Cardinality Constraint
Floor and Ceiling Constraints
Pre-assignment Constraint
Round Lot Constraints
Class Constraints
Class Limit Constraints
3.3. Practical Mean-VaR Portfolio Optimization Problem
4. A learning-guided multi-objective evolutionary algorithm
4.1. The proposed MODE-GL
5. Performance evaluation
5.1. Datasets
5.2. Quality Indicators
5.3. Studied Approaches
5.4. Comparisons of the algorithms
6. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه