به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
فهرست مطالب نویسنده:

javad validi

  • محمدسعید حیدری، جواد ولیدی*، سید بابک ابراهیمی

    در مسئله انتخاب سبد سرمایه گذاری که یکی از مهم ترین مسایل در حوزه مالی است، استفاده از مدلی که بتواند شرایط محیط های واقعی را در نظر بگیرد، اهمیت دارد. در بازارهای مالی، نوسانات شدید و متواتر سبب تغییر مکرر در خروجی های مدل های سبد سرمایه گذاری می گردد و این مسئله نیاز به تغییر وزن دارایی های موجود در سبد را افزایش می دهد که سبب تحمل هزینه های بالای مدیریتی و معاملاتی می شود. در ادبیات موجود در زمینه مدل های سبد سرمایه گذاری، یکی از رویکردهای مقابله با این نوع هزینه های زیاد رویکرد بهینه سازی استوار است. در این پژوهش تلاش شده است از الگوریتم ژنتیک و الگوریتم جهش قورباغه مخلوط شده برای حل مدل برنامه ریزی امکانی استوار ارایه شده توسط امیری و حیدری (1399) در ابعاد بزرگ تر و به منظور بهینه سازی سبد سهام استفاده شود. در این راستا 15 مسئله معین با ابعاد (تعداد شرکت و دوره زمانی) مختلف طراحی شده و پردازش روی آن ها صورت می گیرد. نتایج حاصل از اجرای دو الگوریتم بر روی 15 مسئله مذکور با استفاده از آزمون آماری T مورد مقایسه قرار گرفته است که بیانگر عدم تفاوت معنادار بین دو الگوریتم در انتخاب سبد سرمایه گذاری است اما رویکرد ترکیبی تاپسیس و وزن دهی آنتروپی، الگوریتم ژنتیک را به عنوان الگوریتم برتر انتخاب می کند.

    کلید واژگان: بهینه سازی سبد سهام، الگوریتم جهش قورباغه مخلوط شده، الگوریتم ژنتیک، روش تاگوچی
    Mohammadsaeed Heidari, Javad Validi *, Seyed Babak Ebrahimi

    Portfolio selection problem which is one of the most important issues in finance, using a model that considers conditions of the real world is important. In financial markets, severe and frequent fluctuations cause frequent changes in the portfolio selection models outputs, which increases the number of times to change the weight of portfolio's assets, and so that incurs high management and transaction costs. In the literature of portfolio selection models, one of the approaches to prevent this kind of high costs is robust optimization approach. In this study, in order to optimize the portfolio, genetic algorithm and shuffled frog-leaping algorithm are used to solve robust probablistic planning model presented by Amiri and Heidari (1399) in higher dimensions. To this end, 15 specific problems with different dimensions (number of companies and time periods) are designed and processed. The results of the implementation of two algorithms on the above 15 problems were compared using T-test, which shows no significant difference between two algorithms in portfolio selection problem, but the combined approach of TOPSIS and entropy weighting selects the genetic algorithm as superior algorithm.

    Keywords: Portfolio optimization, Shuffled Frog-Leaping Algorithm, Genetic Algorithm, Taguchi Method
  • جواد ولیدی، امیرعباس نجفی*، علیرضا ولیدی
    هدف

    امروزه در بازارهای مالی، حجم و سرعت معاملات افزایش چشمگیری یافته است و با تحلیل های سنتی، به سختی می توان هم گام با تغییرات بازار پیش رفت. در کنار کارایی روش های سنتی، سرعت کم این رویکردها را می توان مهم ترین کاستی آنها دانست؛ چرا که نمی توانند سرعت در معامله را برآورده کنند. برای رفع این کاستی، تکنیک های دادوستد الگوریتمی ارایه شده اند که در این میان، انتخاب برخط سبد سرمایه گذاری، بسیار با اهمیت است. هدف این پژوهش، ارایه الگوریتمی برای انتخاب سبد سرمایه گذاری است که به کسب بیشترین بازدهی تعدیل شده به ریسک منجر شود و سرعت را در انتخاب سبد سرمایه گذاری افزایش دهد.

    روش

    در پژوهش پیش رو، الگوریتمی ارایه شده است که از اصل بازگشت به میانگین چند دوره ای که مبنای الگوریتم های تبعیت از بازنده است، استفاده می کند. در این الگوریتم، خبرگان (خبره ) مختلف، بردار نسبت قیمتی دوره آتی را پیش بینی می کنند، سپس، به کمک یکی از الگوریتم های نظریه پیش بینی با نظر خبرگان، وزن های تخصیصی به هریک از خبرگان تعیین می شود. سپس از یک تکنیک یادگیری برای بهینه سازی پرتفو استفاده می شود تا پرتفو دوره آتی مشخص شود.

    یافته ها

    بر اساس یافته ها، الگوریتم های ارایه شده، در مقایسه با سایر الگوریتم های موجود در ادبیات، بر اساس سنجه های بازدهی و بازدهی تعدیل شده به ریسک عملکرد برتری دارند.

    نتیجه گیری

    استفاده از بازگشت به میانگین چند دوره ای، بهتر می تواند مفهوم بازگشت به میانگین را منعکس کند. علاوه بر این، بهره مندی از خبرگان مختلف، دقت پیش بینی ها را افزایش داده و در نتیجه پرتفوهای بهتری پیشنهاد می شود. از سوی دیگر، بهره گیری از سیستم وزن دهی خبرگان، سبب استوار شدن مدل می شود؛ زیرا از وزن خبرگان با پیش بینی های ضعیف می کاهد و در مقابل، به وزن سایر خبرگان می افزاید.

    کلید واژگان: انتخاب برخط سبد سرمایه گذاری، اصل بازگشت به میانگین، نظر خبرگان، الگوریتم تبعیت از بازنده
    Javad Validi, Amir Abbas Najafi *, Alireza Validi
    Objective

    Nowadays, the volume and speed of transactions in financial markets have grown dramatically and it is hard to track market changes by using traditional methods. Besides the efficiency of traditional methods, the low speed of these approaches is one of the most important deficiencies of them because they cannot adapt to high speed of transactions. To overcome this shortcoming, algorithmic trading techniques have been proposed which online portfolio selection is one of the most important of these techniques. So, the purpose of this research is to propose a new algorithm for online portfolio selection which leads to high risk-adjusted return and speeds up the process of portfolio selection.

    Methods

    In this research, two algorithms have been proposed using multi-period mean reversion which is the basis of follow-the-loser algorithms. In these algorithms, a set of various experts predict the price relative vector of next period. Then, one of existing algorithms in prediction theory with expert advice is used to assign weights to experts. Then, a learning technique is used for portfolio optimization which leads to portfolio of next period.

    Results

    The results show the superiority of the proposed algorithms to other algorithms existing in literature based on return and risk-adjusted return criteria.

    Conclusion

    The concept of mean reversion can be better expressed by using multi-period mean reversion. In addition, using different experts’ advices make predictions more accurate and therefore better portfolios are suggested. Also, the use of weighting system indirectly brings robustness in the algorithms because it reduces the weights assigned to experts with poor predictions and transforms it to other experts with proper predictions.

    Keywords: Online portfolio selection, Mean reversion principle, Expert advice, Follow-the-Loser algorithm
  • علیرضا ولیدی، جواد ولیدی
    در استراتژی فعالانه متوازن سازی که از آن با نام استراتژی بهینه لگاریتمی نیز یاد می شود، فرآیند متوازن سازی به صورت پیوسته زمان اجرا شده تا تابع مطلوبیت سرمایه گذار نوعی در بیشترین مقدار ممکن خود قرار داشته باشد. اما پیاده سازی این استراتژی از نظر وجود هزینه زیاد معاملات، عملا توجیه ناپذیر و غیرممکن است. در این پژوهش، به دنبال معرفی استراتژی دیگری هستیم که بتوان با استفاده از پارامترهای مدل استراتژی فعالانه اما با تناوب های متوازن سازی کمتر، مطلوبیتی برابر یا بیشتر از این استراتژی به دست آورد. از طرفی افق سرمایه گذاری نیز عاملی تاثیرگذار در این موضوع است و با تغییر افق سرمایه گذاری مقدار تناوب بهینه نیز تغییر خواهد کرد. هدف این پژوهش یافتن بهترین تناوب متوازن سازی از میان تمامی تناوب های موجود در یک افق سرمایه گذاری معین است. به این منظور پس از معرفی استراتژی های مختلف متوازن سازی به بیان استراتژی نیمه فعالانه و تناوب بهینه در آن به صورت تابعی از افق سرمایه گذاری پرداخته و نتایج حاصل را بر روی پرتفویی از سهام بورس اوراق بهادار پیاده سازی خواهیم کرد. پیاده سازی این مدل با نادیده گرفتن محدودیت فروش استقراضی در بازار سرمایه ایران انجام شده است. نتایج نشان داد که تناوب های بهینه متفاوتی به ازای افق های سرمایه گذاری مختلف وجود داشته و حساسیت در انتخاب این تناوب برای افق های زمانی کوتاه تر، نسبت به افق های زمانی بلندتر، بیشتر خواهد بود. همچنین، انتخاب این تناوب و بکارگیری آن در استراتژی نیمه فعالانه، مطلوبیت بیشتری را برای سرمایه گذار نسبت به استراتژی فعلانه به همراه خواهد داشت.


    کلید واژگان: متوازن سازی مجدد پرتفوی، استراتژی بهینه لگاریتمی، تابع بهینه متوازن سازی، استراتژی نیمه فعالانه
    Alireza Validi, javad validi
    In active portfolio rebalancing strategy so called log-optimal portfolio rebalancing strategy, rebalancing is executed continuously so that utility function achieves to its maximum value. But the implementation of this strategy is impossible for its high transaction costs. In this article, we introduce another strategy to get utility of active strategy at least by using active strategy parameters. on the other hand, choosing the optimum rebalancing frequency depends on the investment horizon. Choosing the best rebalancing frequency among the all possible ones for each given investment horizon is the main purpose of this article. So we first introduce different rebalancing strategies and then semi-active one to obtain the optimum frequency as a function of investment horizon. Implementation of this model is based on neglecting the short-selling constraint in Iran stock market. Implementation results on a real portfolio in Tehran stock exchange showed that choosing the optimum frequency is more sensitive for short horizons. And also using this frequency in semi-active strategy will increase the value of utility function in comparison to active strategy.

    Keywords: Portfolio rebalancing, log-optimal strategy, optimum rebalancing function, semi-active strategy
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال