دانلود مقاله مدل بهینه سازی نمونه کار با ترکیب بهینه سازی چند هدفه و تصمیم گیری چند شاخصه
ترجمه نشده

دانلود مقاله مدل بهینه سازی نمونه کار با ترکیب بهینه سازی چند هدفه و تصمیم گیری چند شاخصه

عنوان فارسی مقاله: یک مدل جدید بهینه سازی نمونه کارها از طریق ترکیب بهینه سازی چند هدفه و تصمیم گیری چند شاخصه
عنوان انگلیسی مقاله: A novel portfolio optimization model via combining multi-objective optimization and multi-attribute decision making
مجله/کنفرانس: هوش کاربردی - Applied Intelligence
رشته های تحصیلی مرتبط: مدیریت - مهندسی صنایع - حسابداری
گرایش های تحصیلی مرتبط: مدیریت اجرایی - بهینه سازی سیستم ها - حسابداری عمومی
کلمات کلیدی فارسی: بهینه سازی پورتفولیو - استراتژی پراکندگی - NSGA-II موازی چند جمعیتی - میانگین C فازی - طرح ریزی رابطه خاکستری
کلمات کلیدی انگلیسی: Portfolio optimization - Sparsity strategy - Multi-population parallel NSGA-II - Fuzzy C-means - Grey relational projection
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1007/s10489-021-02747-y
لینک سایت مرجع: https://link.springer.com/article/10.1007/s10489-021-02747-y
نویسندگان: Yongjie Zheng - Jiming Zheng
دانشگاه: School of Science, Chongqing University of Posts and Telecommunications, China
صفحات مقاله انگلیسی: 12
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 5.442 در سال 2020
شاخص H_index: 72 در سال 2022
شاخص SJR: 1.211 در سال 2020
شناسه ISSN: 1573-7497
شاخص Quartile (چارک): Q2 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e17138
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده

1. مقدمه

2 نمونه ساختمان

3 حل مدل

4 تحلیل تجربی

5 نتیجه گیری

رعایت استانداردهای اخلاقی

منابع

فهرست مطالب (انگلیسی)

Abstract

1 Introduction

2 Model building

3 Model solving

4 Empirical analysis

5 Conclusion

Compliance with Ethical Standards

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     به منظور حل مشکل بهینه‌سازی پرتفوی، این مقاله روشی را پیشنهاد می‌کند که ترکیبی از بهینه‌سازی چند هدفه و تصمیم‌گیری چند ویژگی برای حل مدل بهینه‌سازی پرتفوی دوهدفه با اندازه‌گیری ریسک شرطی ارزش در معرض خطر (CVaR) است. از جمله هزینه های معامله ابتدا، در مرحله بهینه‌سازی چند هدفه، یک NSGA-II موازی چند جمعیتی مبتنی بر استراتژی پراکندگی (SMP-NSGA-II) برای به دست آوردن راه‌حل‌های بهینه پارتو چندگانه از مدل پیشنهاد شده‌است. دوم، در مرحله تصمیم‌گیری چند ویژگی، به منظور انعکاس اولویت‌های سرمایه‌گذاری مختلف، مجموعه بهینه پارتو به‌دست‌آمده از طریق میانگین C فازی خوشه‌بندی می‌شود و سپس از روش طرح‌ریزی رابطه‌ای خاکستری برای ارزیابی راه‌حل‌های متعلق به همان خوشه برای انتخاب راه حل سازش بهینه. در نهایت، یک مطالعه موردی از 9 سهام نیمه هادی در بازارهای سهام شانگهای و شنژن چین انجام شده است و سبد بهینه سازش تحت اولویت های سرمایه گذاری مختلف ارائه می شود. در همان زمان، الگوریتم پیشنهادی با شش الگوریتم تکاملی چندهدفه دیگر (MOEAs) مقایسه می‌شود، که تأیید می‌کند که الگوریتم در این مقاله رقابت‌پذیری خاصی دارد.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     In order to solve the problem of portfolio optimization, this paper proposes a method that combines multi-objective optimization and multi-attribute decision-making to solve the dual-objective portfolio optimization model with conditional value-at-risk (CVaR) measuring risk and including transaction costs. First, in the multi-objective optimization stage, a multi-population parallel NSGA-II based on sparsity strategy (SMP-NSGA-II) is proposed to obtain multiple Pareto optimal solutions of the model. Second, in the multi-attribute decision-making stage, in order to reflect different investment preferences, the Pareto optimal set obtained is clustered through the fuzzy C-means, and then the grey relational projection method is used to evaluate the solutions belonging to the same cluster to select the optimal compromise solution. Finally, a case study of 9 semiconductor stocks in China’s Shanghai and Shenzhen stock markets is carried out, and the optimal compromise portfolio under different investment preferences is given. At the same time, the proposed algorithm is compared with the other six multi-objective evolutionary algorithms (MOEAs), which verifies that the algorithm in this paper has certain competitiveness.

Introduction

     Nowadays, in the field of securities investment, the indicators used to quantify risk mainly include value-atrisk (VaR) and conditional value-at-risk (CVaR). Among them, VaR is represented by nonlinear, non-convex and nondifferentiable function with multiple local optima, making it difficult to calculate. To solve these problems, Rockafellar et al. [1] introduced the CVaR, which is a coherent risk measure that considers risk as the most serious loss in a given scenario, taking into account a certain degree of confidence. Since CVaR is a convex function, it can effectively solve the optimization problem that uses CVaR as a minimization goal or constraint [2, 3]. At the same time, Yu et al. [4] compared five different risk models and verified through experiments that using CVaR to measure risk is a good choice.

     As the complexity of practical applications continues to increase, scholars have developed various heuristic algorithms to solve portfolio optimization problems. The application of heuristic algorithms in portfolio optimization problems is divided into two categories. The first category simplifies portfolio objectives through the setting of weight coefficients [5–7], and obtains a risk-return curve by continuously changing the risk avoidance parameters of representative investors. This method has a certain degree of subjectivity. The second type uses multi-objective evolutionary algorithm (MOEA) to directly optimize risks and benefits simultaneously [8–11], and can obtain a complete effective frontier in one operation. Obviously, it is more convenient to use MOEAs to solve portfolio optimization problems.

Conclusion

     In order to solve the dual-objective portfolio optimization model with conditional value-at-risk (CVaR) as a measure of risk and including transaction costs, this paper proposes a method combining multi-objective optimization and multi-attribute decision-making. In the multi-objective optimization stage, this paper proposes a multi-population parallel NSGA-II based on sparsity strategy (SMP-NSGAII). In the case studies of 9 stocks in the semiconductor industry, we compared SMP-NSGA-II with the other six MOEAs through two performance evaluation indicators (HV and SP) and running time, then verified the feasibility of the SMP-NSGA-II algorithm. In the multi-attribute decision-making stage, this paper adopts the FCM-GRP hybrid method to give the optimal compromise investment portfolio under different DM preferences.

     There are a couple of drawbacks in the present study. Firstly, the model studied in this paper is relatively simple and does not take into account the many unstable factors of the real securities market; Secondly, the space complexity of the proposed SMP-NSGA-II algorithm is also high.