الگوریتم های فراابتکاری در بهینه سازی سبد سهام

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,467

This Paper With 19 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NSOECE05_088

تاریخ نمایه سازی: 10 تیر 1396

Abstract:

مهم ترین هدف هر سرمایه گذار افزایش بازده و کاهش ریسک سرمایه گذاری است. بنابراین بهینه سازی سبد سهام از موضوعات مهم در زمینه ی سرمایه گذاری محسوب می شود که هدف آن ارایه ی روشی برای سرمایه گذاران جهت انتخاب سهام مناسب می باشد. الگوریتم های فراابتکاری، نوعی از الگوریتم های بهینه سازی هستند که جهت حل مشکل بهینه محلی راه حل هایی را ارایه داده اند و کاربردهای مختلقی دارند و بصورت گسترده ای در بهینه سازی سبد سهام مورد استفاده قرار می گیرند. در یک دسته بندی کلی می توان الگوریتم های فراابتکاری را به دو دسته الگوریتم های مبتنی بر یک جواب و الگوریتم های مبتنی بر جمعیت تقسیم کرد. الگوریتم های فراابتکاری در زمینه بهنیه سازی سبد سهام با هدف افزایش بازده و کاهش ریسک ارایه شده اند. در این مقاله ابتدا به بررسی مفاهیمی که در بهینه سازی سبد سهام بکار می روند خواهیم پرداخت، سپس الگوریتم های رایج بهینه سازی تشریح و در نهایت برخی از جدیدترین الگوریتم های ارایه شده در این زمینه را معرفی می کنیم.

Authors

آفاق احسان فرد

دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد سپیدان

جواد سرور

عضو هیات علمی، دانشگاه صنعتی شیراز

احمد مصلی نژاد

عضو هیات علمی، دانشگاه آزاد اسلامی واحد سپیدان

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Bacanin, N., & Tuba, M. (2014). Firefly algorithm for cardinality ...
  • Baixauli-Soler, J. S., Alfaro-Cid, E., & Fernand ez-Blanco , M. ...
  • Bradshaw, N. A., Walshaw, C., Ierotheou, C., & Parrott, A. ...
  • _ _ Puchinger, J., Raidl, G. R., & Roli, A. ...
  • Chang, T. J., Meade, N., Beasley, J. E., & Sharaiha, ...
  • Froot, K. A., & Stein, J. C. (1998). Risk management, ...
  • Fu, T. C., Chung, C. P., & Chung, F. L. ...
  • Ganzach, Y. (2000). Judging risk and return of financia1 assets. ...
  • Gao, J., Li, D., Cui, X., & Wang, S. (2015). ...
  • Hajnoori, A., Amiri, M., & Alimi, A. (2013). Forecasting stock ...
  • Huang, X. (2012). Mean-variance models for portfolio selection subject to ...
  • Jacobs, B. I., Levy, K. N.. & Markowitz, H. M. ...
  • Leung, P. L, Ng, H. Y., & Wong, W. K. ...
  • Lwin, K., & Qu, R. (2013). A hybrid algorithm for ...
  • Markowitz, H. (1952). Portfolio selection*. The journal of finance, 7(1), ...
  • Markowitz, H. M. (1968). Portfolio selection: efficient diversification of investmens ...
  • Markowitz, H. (2014). Mean-variance approximations to expected utility. European Journal ...
  • Mirjalili, S. (2015). The ant lion optimizer. Advances in Engineering ...
  • Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey ...
  • Mitchell, M. (1998). An introduction to genetic algorithms. MIT press. ...
  • Reza Golmakani, H., & Jalilipour Alishah, E. (2008, July). Portfolio ...
  • Rifki, O., & Ono, H. (2012, June). A survey of ...
  • Schaerf, A. (2002). Local search techniques for constrained portfolio selection ...
  • Shen, Y. (2015). Mean-variance portfolio selection in _ complete market ...
  • Stein, M., Branke, J., & Schmeck, H. (2008). Efficient implementation ...
  • Talbi, E. G. (2009). Metaheuristic, from design to implementation (Vol. ...
  • Zhu, H., Wang, Y., Wang, K., & Chen, Y. (2011). ...
  • نمایش کامل مراجع