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

cardinality constraints

در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه cardinality constraints در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه cardinality constraints در مقالات مجلات علمی
  • امیرحسین خیاطیان، مجید شخصی نیائی*

    یکی از روش های متنوع سازی و کاهش ریسک سبد سرمایه گذاری، افزودن طیف مختلفی از دارایی ها به آن است. تا به امروز، مدل های ریاضی بسیاری با هدف بیشینه سازی بازدهی و کمینه سازی ریسک ارائه شده اند که تنها مبتنی بر سرمایه گذاری روی سهام بازار سرمایه اند. در این مطالعه، سرمایه گذاری در پروژه ها نیز به عنوان یک نوع دارایی در کنار سهام بازار سرمایه مدنظر قرار گرفته و درباره آن مطالعه شده است. مسئله انتخاب ترکیبی پروژه و سهام از طریق تخصیص وزن بهینه به آنها، یکی از چالش های پیش روی سرمایه گذاران خواهد بود. در پژوهش حاضر، ابتدا تلاش شده است تا فضای تحلیل پروژه ها به تحلیل سهام نزدیک تر و سپس مدلی با رویکرد میانگین - نیم واریانس - نیم آنتروپی در فضای احتمالی توسعه داده شود که به منظور اعتبارسنجی آن، یک آزمایش عددی شامل 3 پروژه و 5 سهم از بازار سرمایه، به کمک سه الگوریتم فراابتکاری ژنتیک، رقابت استعماری و گرگ های خاکستری حل شده اند. دستاورد اصلی این پژوهش، ارائه مدلی برای توصیه به سرمایه گذاران درباره سبدهای سرمایه گذاری با سطوح ریسک مختلف است. نتایج حاصل از آزمایش عددی حاصل نشان می دهد که الگوریتم رقابت استعماری در مقایسه با دو الگوریتم های ژنتیک و گرگ های خاکستری، پاسخ های بهتری ارائه کرده است. روش پیشنهادی می‏تواند توسط طیف وسیعی از سرمایه گذاران و مدیران واحدهای مختلف سرمایه گذاری در موسسات مختلف، به کار رود.

    کلید واژگان: بهینه سازی چندهدفه، سبد پروژه، سبد سهام، فراابتکاری، محدودیت کاردینالیتی، نیم آنتروپی
    Amirhosein Khayyatian, Majid Shakhsi-Niaei *
    Purpose

    Diversifying investment portfolios by incorporating a variety of assets is a well-established strategy for mitigating risk and enhancing returns. Traditionally, mathematical models for portfolio optimization have primarily focused on stock investments within the capital market. However, this study extends the scope of portfolio optimization to encompass both project and stock investments. This is a critical advancement as investors increasingly grapple with allocating budgets across these two asset types simultaneously. Therefore, this paper proposes a novel mixed portfolio optimization model that uses the Mean-SemiVariance-SemiEntropy approach. By incorporating project investments alongside traditional stocks, the proposed model offers more efficient portfolios that can lead to improved return/risk ratios for investors seeking to optimize their overall financial strategy.

    Design/methodology/approach:

     An attempt has been made to bridge the gap between the distinct spaces of projects and stocks to facilitate their joint analysis. Subsequently, a Mean-SemiVariance-SemiEntropy approach has been employed to develop a model within a probabilistic framework. For validating this model, a numerical experiment involving three projects and five stocks from the capital market has been tackled, considering the preferences of an investor. Finally, the optimization problem has been solved using three metaheuristic algorithms: Genetic Algorithm (GA), Imperialist Competitive Algorithm (ICA), and Gray Wolfs Optimization (GWO).

    Findings

    The results obtained by solving the model using the above-mentioned metaheuristic algorithms demonstrated that despite the high speed of the GWO algorithm, the solutions provided by the GWO algorithm were not satisfactory compared to the GA and ICA algorithms. On the other hand, the acceptable speed with nondominated solutions was the advantage of the ICA algorithm over the GA algorithm. The evaluation of various performance metrics also revealed that the ICA algorithm outperformed the GA and GWO algorithms in this problem. Also, the inclusion of semi-entropy as a risk assessment metric led to an improvement in the return on the investment portfolios.

    Research limitations/implications: 

    Incorporating investor constraints and preferences, such as cardinality and boundary constraints, into the model forms an NP-hard problem. Consequently, exact solution methods are replaced by non-exact methods, such as metaheuristic algorithms. Given the diversity of project contracts, this study concentrated solely on projects with cost-plus contracts, where the entire project or a portion can be selected for partnership. Similar to the Markowitz model, the projects' returns such as stocks' returns were assumed to be normally distributed.Practical implications: This study significantly enhanced diversification, increased potential returns, and reduced risk for investors by introducing a novel mixed project-and-stock portfolio optimization model. The proposed approach can be implemented by a wide range of investors and managers of investment units in various organizations, bringing a new perspective to investment management.

    Social implications: 

    The far-reaching implications of this study extend beyond the realm of investment management, permeating social, economic, and political areas. The innovative mixed project-and-stock portfolio problem has the potential to positively transform society using fostering innovation, stimulating economic growth, and enhancing financial knowledge. This paper can foster economic growth and job creation by providing new investment opportunities and increasing investment in productive ventures. In summary, this study has taken a significant step towards improving social and economic well-being by introducing an innovative model for resolving investment challenges.

    Originality/value:

     The innovation and strength of this research lies in incorporating projects as a new asset class into the traditional portfolio model. This goes beyond simply adding a new asset to an investment portfolio, as the nature of the projects introduces new complexities to the portfolio management process. For this purpose, this study employs a probabilistic approach based on historical data. In addition, the simultaneous use of two risk measures, i.e., semi-variance and semi-entropy, significantly improves the performance of the model by focusing on different risk aspects. This provides a more comprehensive picture of the risks associated with the portfolio and helps investors make more informed and wise decisions.

    Keywords: Multi-Objective Optimization, Project Portfolio, Stock Portfolio, Metaheuristic, Cardinality Constraints, Semi-Entropy
  • محمدرضا صادقی مقدم*، طاها منصوری، مرتضی شیخی زاده

    انتخاب پورتفولیوی مبتنی بر مارکویتز هنگام در نظر گرفتن محدودیت های اصلی به یک مسیله با پیچیدیگی محاسباتی سخت تبدیل می شود. در این حالت، راه حل های دقیق موجود مانند مدل های برنامه ریزی درجه دوم ممکن است برای حل مشکل کارآمد نباشد. بنابراین بسیاری از محققین از رویکردهای ابتکاری و فراابتکاری برای مقابله با این مشکل استفاده کرده اند. دراین پژوهش، الگوریتم فراابتکاری بهینه سازی بازتولید غیرجنسی (ARO) که از بازتولید غیرجنسی الهام گرفته شده است، به منظور حل مشکل بهینه سازی پورتفولیو از جمله محدودیت کاردینالی برای اطمینان از سرمایه گذاری در تعداد معینی از دارایی های مختلف و محدود ساختن محدودیت ها به منظور منحصر ساختن نسبت های سرمایه گذاری شده هر سهم  مورد استفاده قرار گرفته است. این پژوهش اولین مطالعه مربوط به الگوریتم های فراابتکاری می باشد که در زمینه بهینه سازی پورتفولیو پیاده سازی شده است. براساس نتایج پژوهش، ARO در مقایسه با برخی از فراابتکاری های معروف بیان شده در ادبیات، راه حل های با کیفیت بهتری را به ارایه میدهد. برای صحت سنجی الگوریتم پیشنهادی، انحراف نتایج به دست آمده از مرز کارآمد استاندارد را اندازه گیری شده است. بدین منظور با استفاده از داده های مربوط به پنج بازار متشکل از 31، 85، 89، 98، و 225 دارایی که در دسترس عموم قرار دارند دقت مدل مورد ارزیابی قرار گرفت. نتایج پژوهش نشان می دهد که ARO از الگوریتم ژنتیک (GA)، جستجوی تابو (TS) ، بازپخت شبیه سازی شده (SA) و بهینه سازی ازدحام ذرات (PSO) در بیشتر مسایل آزمایشی بهتر عمل می کند. از نظر خطای به دست آمده، با استفاده از ARO، میانگین خطای آزمون مذکور تقریبا کاهش 20 درصدی از حداقل میانگین خطای محاسبه شده برای الگوریتم های فوق را نشان می دهد.

    کلید واژگان: بهینه سازی پورتفولیو، محدودیت های کاردینالیتی، مدل میانگین واریانس مارکوویتز، بهینه سازی بازتولید غیرجنسی، مرز کارآمد
    MohammadReza Sadeghi Moghadam *, Taha Mansouri, Morteza Sheykhizadeh

    The Markowitz-based portfolio selection turns to an NP-hard problem when considering cardinality constraints. In this case, existing exact solutions like quadratic programming may not be efficient to solve the problem. Many researchers, therefore, used heuristic and metaheuristic approaches in order to deal with the problem. This work presents Asexual Reproduction Optimization (ARO), a model-free metaheuristic algorithm inspired by the asexual reproduction, in order to solve the portfolio optimization problem including cardinality constraint to ensure the investment in a given number of different assets and bounding constraint to limit the proportions of fund invested in each asset. This is the first time that this relatively new metaheuristic is applied in the field of portfolio optimization, and we show that ARO results in better quality solutions in comparison with some of the well-known metaheuristics stated in the literature. To validate our proposed algorithm, we measured the deviation of the obtained results from the standard efficient frontier. We report our computational results on a set of publicly available benchmark test problems relating to five main market indices containing 31, 85, 89, 98, and 225 assets. These results are used in order to test the efficiency of our proposed method in comparison to other existing metaheuristic solutions. The experimental results indicate that ARO outperforms Genetic Algorithm (GA), Tabu Search (TS), Simulated Annealing (SA), and Particle Swarm Optimization (PSO) in most of test problems. In terms of the obtained error, by using ARO, the average error of the aforementioned test problems is reduced by approximately 20 percent of the minimum average error calculated for the above-mentioned algorithms.

    Keywords: Portfolio optimization, Cardinality constraints, Markowitz mean-variance model, Asexual reproduction optimization, efficient frontier
  • علیرضا علی نژاد*
    سرمایه گذاری نقش تعیین کننده ای در رشد اقتصادی دارد. یکی از اهداف اساسی کشورها، دستیابی به رشد اقتصادی و توسعه ی پایدار می باشد. امروزه حجم قابل توجهی از کار مدیران سرمایه گذاری و همچنین به طور عموم سرمایه گذاران، ساختن پورتفوی کارآمدی از دارایی هاست که اهداف تقاضا را برآورده سازد. در این تحقیق از مدل میانگین-واریانس مارکویتز به همراه محدودیت های عدد صحیح و همچنین یک رویکرد فرا ابتکاری جدید به نام الگوریتم Big Bang-Big Crunch برای تشکیل سبد سهام بهره گرفته شده است. الگوریتم مورد استفاده در این تحقیق با سایر الگوریتم های فراابتکاری نظیر الگوریتم شبیه سازی تبریدی، ژنتیک و... با استفاده از داده های سهام شاخص های بورس هنگ کنگ، ایران و ژاپن مقایسه شده است و نتایج، حاکی از رقابتی بودن این الگوریتم برای حل مساله بهینه سازی سبد سهام دارند.
    A. Alinezhad*
    Investment plays a vital role on economic growth. One of the main objectives of all countries is to achieve sustainable economic growth and development. Nowadays، a considerable amount of activities performed by the managers and investors in general is to make a portfolio of assets effectively meeting demand goals. In this study، mean-variance Markowitz model by cardinality constraints and also a new innovative approach called Big Bang-Big Crunch algorithm are used to create a portfolio of assets. The algorithm proposed in this study compares with other algorithms such as simulated annealing، genetic، etc. by using datasets taken from the stock exchange indices in Hong Kong، Iran and Japan، the results indicate that the algorithm is competitive to solve the portfolio optimization problem efficiently.
    Keywords: Mean, variance Markowitz Model, Portfolio Optimization Problem, Big Bang, Big Crunch Algorithm, Cardinality Constraints, Efficient Frontier
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