genetic algorithm (ga)
در نشریات گروه مالی-
انتخاب سبد سرمایه یکی از مهمترین دغدغه های هر سرمایه دار می باشد و هدف نحوه توزیع سرمایه در بخش های مختلف به گونه ای است که بیشترین نرخ بازدهی را از دید سرمایه گذار داشته باشد. پس انداز در موسسات مالی و یا در قالب خرید اوراق قرضه و یا سرمایه گذاری در زمینه هایی همچون بازار مسکن، بازار سهام، بازار ارزهای خارجی و یا فلزات قیمتی همچون طلا و نقره از جمله انتخاب های مهم برای هر سرمایه گذار البته با درجه ریسک های متفاوت است. شرایط تصمیم سازی می تواند اطمینان کامل، ریسکی و یا عدم اطمینان کامل و تکنیک های تصمیم سازی می تواند بهینه سازی و یا ابتکاری باشد. تاکنون در طول چند دهه گذشته روش های مختلفی بسته به شرایط مسئله انتخاب سبد سرمایه ارایه شده است. در این پژوهش، یک الگوریتم فراابتکاری بر پایه الگوریتم ژنتیک و بر اساس زندگی گروهی شیرها جهت یافتن یک سبد سرمایه مناسب برای سرمایه گذار در شرایط ریسکی معرفی شده است. استفاده از تخمین های خوش بینانه، محتمل و بدبینانه راهکاری است که در شرایط ریسکی استفاده شده است. نتایج حاصل از پژوهش، موید کارآمدی روش معرفی شده در تعیین نحوه توزیع سرمایه در بخش های مختلف با معیار حداکثر بازدهی سرمایه است.
کلید واژگان: سبد سرمایه، نظریه پورتفولیو پیشرفته (MPT)، الگوریتم ژنتیک (GA)، الگوریتم بهینه سازی شیر (LOA)، ریسکPortfolio selection is one of the most concerns of any investor and the goal is to distribute the capital in different assets in such a way that it has the highest rate of return with considering the minimal risk from the investor's point of view. Saving in financial institute or buying bonds and investment in housing market, stock market, foreign currency market or precious metals such as gold and silver are one of the most important choices for any investor with different degrees of risk. Decision situations can be completely certainly, risky and completely uncertainly and solving techniques can be optimization or heuristics. So far during the past decade, different methods are presented depending on the conditions of the capital portfolio selection issue. In this research, a meta-heuristic algorithm based on genetic algorithm and based on the group life of lions is introduced to find a suitable capital portfolio for the investor in risky conditions. Using optimistic, most likely and pessimistic estimates is a strategy used in risky situations. The results of the research confirmed the efficiency of the proposed algorithm in distribution of capital in different sectors with the criterion of maximum return on capital. Also, the proposed algorithm performed better than the whale optimization algorithm in optimizing the portfolio of the top 50 listed companies in terms of stock portfolio return and risk criteria and the time to reach the answer.
Keywords: Portfolio Selection, Modern Portfolio Theory (MPT), Genetic Algorithm (GA), Lion Optimization Algorithm (LOA), Risk -
هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نتایج مدل و داده های واقعی از دستکاری قیمت استفاده شده است. در مدل ترکیبی ابتدا داده های مربوط به 316 شرکت از نخستین روز کاری سال 1389 تا آخرین روز کاری سال 1392 بصورت روزانه شامل 966 روز وارد مدل الگوریتم ژنتیک شده و در نهایت اوزان مربوط به هر متغیر از این الگوریتم منتج شد. با استفاده از این اوزان، شبکه عصبی مصنوعی پرسپترون طراحی، آموزش و اجرا شد. سپس مدل SQDF طراحی و اجرا و کارایی آن اثبات شد. سرانجام نتایج حاصل از مدل ANN-GA با نتایج مدل SQDF با استفاده از آماره های اندازه گیری خطای MAPE، RMSE و R2 مقایسه شدند. نتایج نشان داد که مدل ANN-GA در شناسایی دستکاری قیمت سهام و طبقه بندی شرکت ها به دو گروه دستکاری شده و دستکاری نشده عملکرد بسیار بهتری از مدل SQDF داشته و خطای بسیار کمتری دارد.کلید واژگان: قیمت سهام، دستکاری قیمت سهام، حفاظت از بازار، الگوریتم ژنتیک، شبکه عصبی مصنوعیThe purpose of this research is to detect manipulation of stock prices in Tehran Stock Exchange that it has been done through Hybrid Genetic Algorithm-artificial neural network (ANN-GA) model and the Simplified Quadratic Discriminant Function (SQDF) Model. In this study, the variables of price, trading volume and free float stock to match the results of the model and the actual data of price manipulation is used. In the Hybrid Model of Genetic Algorithm-Artificial Neural Networks (ANN-GA), at first data of 316 stock companies from 2009/03/21 to 2013/03/20 on a daily basis, including 966 days were put into the GA model, then; weight of each variable were derived from GA. Next, using these weights, Perceptron neural network was designed, implemented and its efficiency was approved. Then, SQDF model was designed and implemented and its efficiency was verified. In the end, using MAPE[1], RMSE[2]and R2 error measurement, the results of ANN-GA model were compared with those of SQDF model. The results showed that Hybrid model has much better performance and fewer errors than SQDF model in the detection of stock price manipulation and classifying firms into two groups, manipulate and non-manipulateKeywords: Stock Price, Stock Price Manipulation, Market Surveillance, Genetic Algorithm (GA), Artificial Neural Network (ANN)
-
امروزه سرمایه گذاری در بازارهای طلا، بخش مهمی از اقتصاد هر کشور را تشکیل می دهد؛ به همین دلیل پیش بینی قیمت طلا برای سرمایه گذاران از اهمیت ویژه ای برخوردار شده است تا بتوانند کمترین ریسک را در سرمایه گذاری خود داشته یاشند. در سالهای گذشته، از روش های کلاسیک برای پیش بینی قیمت طلا استفاده می نمودند. درحالیکه بازار طلا یک سیستم غیر خطی است، لذا هدف پژوهش حاضر پیش بینی قیمت طلا در بازار بین المللی، با در نظر گرفتن عوامل موثر بر آن با استفاده از الگوریتم های نوین ابتکاری می باشد. در تحقیق حاضر سه سناریو مطرح شده است؛ پیش بینی قیمت طلا با استفاده از الگوریتم پرواز پرندگان، پیش بینی قیمت طلا با استفاده از الگوریتم ژنتیک و پیش بینی قیمت طلا با ترکیب الگوریتم پرواز پرندگان و ژنتیک. بدین منظور ابتدا با استفاده از الگوریتم خوشه بندی K-means اقدام به خوشه بندی داده ها به دو خوشه می کنیم. هر خوشه شامل بخشی از داده های مجموعه آموزش و مجموعه تست می باشد. در مرحله دوم با توسعه الگوریتم پرواز پرندگان (بهبود الگوریتم پرواز پرندگان با استفاده از الگوریتم ژنتیک) اقدام به توسعه یک سیستم پیش بینی برای هر خوشه می کنیم و در واقع برای هر خوشه یک سیستم پیش بینی را توسعه داده و در نهایت پیش بینی قیمت طلا را برای داده های مجموعه تست در هر خوشه و با استفاده سیستم پیش بینی توسعه شده برای آن خوشه انجام می شود. مرحله ی اول به کمک نرم افزار داده کاوی کلمنتاین به انجام رسیده است و کدهای اجرایی مرحله ی دوم الگوریتم به زبان برنامه نویسی متلب نوشته شده است. نتایج حاصل از تحقیق نشان داد که استفاده از الگوی ترکیبی پرواز پرندگان با الگویی ژنتیک؛ به علت پوشش نقاط ضعف هر یک از الگوها و استفاده از نقاط قوت آنها در مسیر پیش بینی، دقت پیش بینی بیشتری دارد.کلید واژگان: الگوریتم پرواز پرندگان، الگوریتم ژنتیک، الگوریتم ترکیبی پیشنهادی، پیش بینی قیمت طلاNowadays, investing in gold markets is a major part of the economy of any country; that is why forecasting gold price is particularly important for the investors who ask for a less risk in their investments. In recent years, the classic method was used to predict the price of gold. While the gold market is a non-linear system, the aim of this study is to predict the gold price in the international market with considering influencing factors (including silver price, US dollar index, crude oil price, inflation rate, interest rate, stock index, world-wide gold production, world-wide gold price ,etc.) on it using the new innovative algorithms. In this study three scenarios proposed: gold price forecasting using birds fly algorithm, predicting the price of gold using a genetic algorithm and prediction of the gold price combining particle swarm optimisatin (PSO) and genetic algorithm (GA). To this end, first, we use K-means clustering algorithm to cluster data into two clusters. Each cluster includes part of data collection and test sets. In the second phase, we develop a forecasting system for each cluster by developing particle swarm optimisatin algorithms (particle swarm optimisatin algorithm improvement using genetic algorithm) and, thereupon, we have developed a forecasting system for every cluster and ultimately by using developed predicting system for that cluster, predicting gold prices for the test set data in each cluster will be done. The first phase of data mining is accomplished by data mining software named Clementine and the executable codes of the second stage of algorithm are written in MATLAB programming language. The results showed that using of a combined model of flying birds and genetic model due to cover the weaknesses of each pattern and using their strengths in the predicted direction will make the prediction more accurate.Keywords: Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Proposed Combined Algorithm, Gold Price Predicting
- 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.