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
جستجوی مقالات مرتبط با کلیدواژه

particle swarm optimization algorithm

در نشریات گروه اقتصاد
تکرار جستجوی کلیدواژه particle swarm optimization algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه particle swarm optimization algorithm در مقالات مجلات علمی
  • حسین محمدی باغملائی، حجت پارسا*، سعید طهماسبی، پرویز حاجیانی
    هدف

    هدف اصلی این مطالعه کاربرد معیار آنتروپی تجمعی در مدل بهینه سازی سبد سهام مارکوویتز و حل این مدل با الگوریتم فراابتکاری حرکت تجمعی ذرات (PSO) برای بهینه سازی سبد سهام شرکت های پتروشیمی بازار بورس است که بدین منظور از داده های بازدهی ماهانه مربوط به 15 شرکت پتروشیمی بازار بورس در بازه زمانی 1/7/1392 تا 31/6/1398 استفاده شده است. 

    روش

    برای بهینه سازی سبد سهام در دنیای واقعی به دلیل درنظرگرفتن محدودیت های متعدد، مدل مارکوویتز قابلیت تولید جواب بهینه را ندارد. ازاین رو می توان از الگوریتم های فراابتکاری کمک گرفت. در این پژوهش با استفاده از معیار آنتروپی تجمعی و الگوریتم PSO بهینه سازی سبد سهام شرکت های پتروشیمی انجام می شود. 

    یافته ها

    در الگوریتم PSO مقدار میانگین تابع بازدهی سهام کمتر از مقدار میانگین تابع بازدهی سهام در مدل مارکوویتز است. برای مقایسه نهایی این دو مدل با استفاده از مقادیر جدول، شاخص پاداش نوسان پذیری سبد سهام (که نسبت بازدهی به ریسک سبد سهام تعریف می شود) محاسبه شده است که مقدار این شاخص در الگوریتم PSO بیشتر از مدل مارکوویتز است. 

    نتیجه گیری

    معیار آنتروپی تجمعی می تواند در بسیاری از مسایل مالی بدون لحاظ کردن محدودیت های مربوط به معیار واریانس استفاده شود. در زمینه بهینه سازی سبد سهام، الگوریتم PSO با استفاده از معیار آنتروپی تجمعی یک سبد سهام با کارایی بیشتر نسبت به مدل مارکوویتز تشکیل داده و در نهایت یک سبدسهام بهینه برای سرمایه گذار طراحی می کند.

    کلید واژگان: مدل بهینه سازی سبد سهام مارکوویتز، آنتروپی تجمعی، الگوریتم حرکت تجمعی ذرات، شرکت های پتروشیمی
    Hossein Mohammadi Baghmolaei, Hojat Parsa *, Saeid Tahmasebi, Parviz Hajiani
    Objective

    The main object of this study is to use a new measure of risk called Cumulative entropy in the Markowitz portfolio optimization model and solve this model using Particle swarm optimization (PSO) to optimize the portfolio of Petrochemical companies by Applying the data consist of monthly returns of the Fifteen petrochemical companies in Tehran Stock Exchange from 2013 to 2019. The Markowitz model uses the variance as a risk measure by default. in this study, a new measure of risk called Cumulative Entropy is introduced. This measure can be used in many issues without considering the limitations of variance (standard deviation). 

    Methods

    The Markowitz model is one of the most important models for solving portfolio optimization problems, but this model has many disadvantages. The Markowitz optimization problem can be solved by simple mathematical programming models when the number of assets to be invested and the market constraints are small, but when the real-world conditions and constraints are taken into account, the problem becomes complex and difficult. One of the methods that have solved human ambiguities in recent years in solving many optimization problems and has been successful in responding to complex problems is the so-called intelligent methods and algorithms. Intelligent methods that were introduced to eliminate the shortcomings of classical (traditional) optimization methods with a comprehensive and random search, largely guarantees the possibility of achieving better results.Due to the mentioned problems in this research, a new criterion by the name Cumulative entropy is introduced which can be used as an alternative to variance in the Markowitz mean-variance optimization model as a risk criterion. Also, due to the mentioned problems for the Markowitz model, in this research, the meta-innovative particle cumulative motion (PSO) algorithm will be used to optimize the stock portfolio for Petrochemical companies stocks.

    Results

    As can be seen in the PSO algorithm, the average value of the stock return function is less than the average value of the stock return function in the Markowitz model, while the average value of the portfolio risk function is well minimized to a value less than the average portfolio risk function in the Markowitz model. For the final comparison of these two models, using the values of the table, the Reward to Volatility index (which is defined as the ratio of return to portfolio risk) is calculated that in the PSO algorithm is higher than the Markowitz model; Therefore, it can be seen that the PSO algorithm performs portfolio optimization better than the Markowitz model and produces optimal answers 

    Conclusion

    According to the research findings the Cumulative Entropy measure can be used in many issues without considering the limitations of variance (standard deviation).In the PSO algorithm, the average value of the stock return function is slightly less than the average value of the stock return function in the Markowitz model, while the average value of the portfolio risk function is much less than the average value of the portfolio risk function in Markowitz programming. Comparing the volatility reward index of the PSO algorithm with the Markowitz model, it was observed that the value of this index is higher in the PSO algorithm, which shows PSO algorithm performs portfolio optimization better and produces optimal answers.

    Keywords: Markowitz Portfolio Optimization Model, Cumulative Entropy, Particle Swarm Optimization Algorithm, Petrochemical Companies
  • محمد محمدنژاد *، عیسی نخعی کمال آبادی، رامین صادقیان، فردین احمدی زر
    این مقاله مسئله قیمت گذاری محصول در زنجیره تامین حلقه بسته چند دوره ای چند محصولی با تقاضای وابسته به قیمت را بررسی می کند. هدف، اختصاص مکان برای مرکز جمع آوری و دمونتاژ، مسیریابی وسایل نقلیه و سفارش دهی مواد به منظور به حداکثر رساندن سود است. در این مقاله یک مدل ریاضی غیرخطی برای حل مسائل در ابعاد کوچک ارائه شده است. از آنجا که مسئله حاضر دارای پیچیدگی سخت است، دو روش فراابتکاری الگوریتم ژنتیک و بهینه سازی تجمع ذرات برای حل مسائل با ابعاد متوسط و بزرگ استفاده شده است. برای اعتبارسنجی این دو الگوریتم، نتایج آنها با نتایج به دست آمده از مدل ریاضی مورد مقایسه قرار گرفته است. نهایتا، مقایسه عملکرد دو الگوریتم فراابتکاری از طریق تحلیل های آماری نشان داده است که الگوریتم بهینه سازی تجمع ذرات عملکرد بهتری نسبت به الگوریتم ژنتیک دارد.
    کلید واژگان: زنجیره تامین حلقه بسته، قیمت گذاری، ناوگان حمل ناهمگن، دریافت و تحویل همزمان، الگوریتم تجمع ذرات، الگوریتم ژنتیک
    Mohammad Mohammadnejad *, Isa Nakhaei Kama Abadi, Ramin Sadeghian, Fardin Ahmadi Zar
    This paper studies the pricing issue in a multi-period and multi-product closed-loop supply chain with price-dependent demands. The aim is to assign a location for the collection and disassemble center, vehicle routing, and material ordering in order to maximize the profit. In the study, a non-linear mathematical model is presented for small scale problems. Due to the NP-hardness of the problem, two met heuristics, genetic algorithm and particle swarm optimization algorithm, are applied to solve medium and large scale problems. The algorithms are validated by comparing their results with those of the mathematical model. Finally, the performance comparison of the two met heuristics through statistical analysis is demonstrated that the particle swarm optimization algorithm performance outperforms the genetic algorithm.
    Keywords: Closed-Loop Supply Chain, .Pricing, Heterogeneous Fleet of Vehicles, Simultaneous Pick-up, Delivery, particle swarm optimization algorithm, Genetic Algorithm
  • سید عبدالمجید جلایی، امین قاسمی، امید ستاری *

    مصرف یا مخارج مصرفی، یکی از عناصر کلیدی تحلیل های کلان اقتصادی است که بخش مهمی از تقاضای کل در اقتصاد ایران را به خود اختصاص می دهد. لذا تلاش در جهت پیش بینی روند آتی این متغیر از اهمیت ویژه ای برای سیاستگذاران برخوردار است.
    در این مقاله با تکیه بر مبانی نظری مربوط به تابع مصرف، به تصریح مدل مصرف مناسب برای اقتصاد ایران با هدف دستیابی به پیش بینی مطلوب پرداخته می شود. لذا با هدف پیش بینی روند آتی مصرف بخش خصوصی در اقتصاد ایران تا سال 1404، با استفاده از مبانی نظری در زمینه توابع مصرف و به کارگیری آنها با دو ابزار الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات، به شبیه سازی تابع مصرف خصوصی ایران طی سالهای 1388-1352 با تکیه بر نظریه مصرف فریدمن و نظریه مصرف دوزنبری پرداخته و سپس با استفاده از معیارهای انتخاب مدل رقیب، الگوریتم و مدل برتر انتخاب و اقدام به پیش بینی میزان مصرف تا سال 1404 شده است. کارآیی و دقت بیشتر الگوریتم (PSO) و سازگاری رفتار مصرفی در ایران با فروض مصرف دوزنبری و فرم نمایی تابع مصرف شبیه سازی شده و نیز پیش بینی افزایش میل متوسط به مصرف تا سال 1404 و در نتیجه، کاهش میل متوسط به پس انداز در این دوره از نتایج این مقاله اند.

    کلید واژگان: الگوریتم ژنتیک، الگوریتم بهینه سازی انبوه ذرات، شبیه سازی، مدل مصرف، درآمد دائمی، درآمد نسبی
    Seyed Abdolmajid Jalaee, Amin Ghassemi, Omid Sattari

    The consumption expenditure is a key element of macroeconomic analyses، which accounts for considerable share of aggregate demand in Iran. Any effort for forecasting the future consumption trend is of special importance for policy-makers. In this paper، we specify a consumption model relying on theoretical basics in order to obtain desirable forecasts. On the basis of Duesenberry and Friedman consumption theories، we use genetic algorithm (GA) and particle swarm optimization (PSO) algorithm to simulate Iranians consumption during 1973-2009. Then we select the superior model in terms of prediction power criteria and forecast consumption until 2025. According to the results، the PSO algorithm is efficient and accurate in forecasting consumption; and consumption behavior of Iranians is consistent with Duesenberry theory. In addition، the simulations by exponential consumption model indicate increasing average propensity to consume until 2025.

    Keywords: Genetic algorithm, Particle Swarm Optimization Algorithm, Simulation, Consumption Model, Permanent Income, Relative Income
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال