دوره 8، شماره 2 - ( 4-1405 )                   جلد 8 شماره 2 صفحات 9-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjamao.8.2.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Esmaeili A, Hashemi S S. Robust Multi-Objective Portfolio Optimization with ENS-NSGA-II Under Real-World Constraints. sjamao 2026; 8 (2) :1-9
URL: http://sjamao.srpub.org/article-7-288-fa.html
اسماعیلی اکرم، هاشمی سید سجاد. بهینه‌سازی مقاوم چندهدفه سبد سرمایه‌گذاری با استفاده از الگوریتم الگوریتم ژنتیک مرتب‌سازی نامغلوب بهبودیافته (ENS-NSGA-II) تحت محدودیت‌های دنیای واقعی. نشریه مدیریت کاربردی و چابک سازی سازمانی. 1405; 8 (2) :1-9

URL: http://sjamao.srpub.org/article-7-288-fa.html

بهینه‌سازی مقاوم چندهدفه سبد سرمایه‌گذاری با استفاده از الگوریتم الگوریتم ژنتیک مرتب‌سازی نامغلوب بهبودیافته (ENS-NSGA-II) تحت محدودیت‌های دنیای واقعی
اکرم اسماعیلی1 ، سید سجاد هاشمی*2
1- گروه حسابداری، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران.
2- استاد گروه حسابداری، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران. ، shashemi@gmail.com
چکیده:   (8 مشاهده)
این مطالعه به بررسی بهینه‌سازی پرتفوی با استفاده از الگوریتم ژنتیک مرتب‌سازی نامغلوب بهبودیافته II (ENS-NSGA-II)، به‌عنوان یک الگوریتم تکاملی چندهدفه قدرتمند، در کنار روش‌های کلاسیک بهینه‌سازی می‌پردازد. با استفاده از داده‌های ۱۳۵ شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره ۲۰۱۳ تا ۲۰۲۴، یک چارچوب توسعه‌یافته مارکویتز بر اساس بازده و نیم‌واریانس به‌عنوان معیارهای اصلی عملکرد ایجاد شد. به‌منظور انعکاس بهتر شرایط واقعی بازار، چندین محدودیت عملی سرمایه‌گذاری نیز در مدل لحاظ شد و مسئله به یک مسئله بهینه‌سازی چندهدفه تبدیل گردید. الگوریتم ENS-NSGA-II که به سازوکار کنترل تطبیقی جهش و روش‌های بهبودیافته حفظ تنوع مجهز شده است، با ایجاد پرتفوی‌هایی با مبادله مطلوب‌تر میان بازده و ریسک در شرایط غیرخطی و پرنوسان بازار، عملکردی به‌مراتب بهتر از مدل‌های کلاسیک نشان داد. همچنین، این الگوریتم در اجراهای مستقل متعدد و بازه‌های زمانی مختلف، رفتار همگرایی مطلوب و پایداری بالایی از خود نشان داد. یافته‌های این پژوهش تأیید می‌کنند که ENS-NSGA-II رویکردی قدرتمند و انعطاف‌پذیر برای ساخت پرتفوی‌های سرمایه‌گذاری کارآمد در محیط‌های مالی نامطمئن است و می‌تواند ابزار قابل اعتمادی برای تصمیم‌گیری سرمایه‌گذاران فراهم کند که با پیچیدگی‌های پویای بازار سازگار می‌شود.
واژه‌های کلیدی: ریسک، بازده، پرتفوی، بهینه‌سازی کلاسیک، بهینه‌سازی هوشمند
متن کامل [PDF 586 kb]   (7 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: حسابداری
دریافت: 1404/12/26 | ویرایش نهایی: 1405/1/26 | پذیرش: 1405/2/23 | انتشار: 1405/3/25
فهرست منابع
1. Emamat, M. S. M., & Hanafi Zadeh, P. (2021). Stock portfolio optimization using the reliability approach. Investment Knowledge, 9(36), 435-450.
2. Daryabar, A., Rahnamaye Roudposhti, F., Nikoomaram, H., & Ghaffari, A. (2020). Portfolio optimization in the context of financial bubbles in the capital market. Financial Knowledge of Securities Analysis, 11(40), 113-126.
3. Bayat, L., & Asadi, S. (2017). Stock portfolio optimization: The usefulness of the bird algorithm and the Markowitz model. Financial Engineering and Securities Management, 8(32), 63-85.
4. Heydari Heratmeh, H. (2020). Portfolio optimization through Conditional Value at Risk (CVaR) under a Variance Gamma (VG) process. Financial Knowledge of Securities Analysis, 12(41), 101-112.
5. Taghizadegan, G. R., Zomorodian, F. S., Mirfeyz, M., & Saadi, M. (2023). A comparison of the performance of the Markowitz model and liquidity risk-based Value at Risk model with DCC t-Copula LVaR in optimizing portfolios on the Tehran Stock Exchange. Financial Research, 25(1), 152-179.
6. Zamanpour, M., Zanjirdar, H., & Davoudi Nasr, M. (2022). Identification and ranking of factors influencing stock portfolio optimization using the fuzzy network analysis approach. Financial Engineering and Securities Management, 12(47), 210-236.
7. Gunjan, A., & Bhattacharyya, S. (2023). A brief review of portfolio optimization techniques. Artificial Intelligence Review, 56(5), 3847-3886. [DOI:10.1007/s10462-022-10273-7]
8. Freitas, W. B., & Junior, J. R. B. (2023). Random walk through a stock network and predictive analysis for portfolio optimization. Expert Systems with Applications, 119597. [DOI:10.1016/j.eswa.2023.119597]
9. Song, Y., Zhao, G., Zhang, B., Chen, H., Deng, W., & Deng, W. (2023). An enhanced distributed differential evolution algorithm for portfolio optimization problems. Engineering Applications of Artificial Intelligence, 121, 106004. [DOI:10.1016/j.engappai.2023.106004]
10. Butler, A., & Kwon, R. H. (2023). Integrating prediction in mean-variance portfolio optimization. Quantitative Finance, 23(3), 429-452. [DOI:10.1080/14697688.2022.2162432]
11. Wang, Y., & Aste, T. (2023). Dynamic portfolio optimization with inverse covariance clustering. Expert Systems with Applications, 213, 118739. [DOI:10.1016/j.eswa.2022.118739]
12. Estrada-Padilla, A., Gómez-Santillán, C., Fraire-Huacuja, H. J., Cruz-Reyes, L., Rangel-Valdez, N., Morales-Rodríguez, M. L., & Puga-Soberanes, H. J. (2023). GRASP/Δ: An efficient algorithm for the multi-objective portfolio optimization problem. Expert Systems with Applications, 211, 118647. [DOI:10.1016/j.eswa.2022.118647]
13. Ikhlef, M., & Aïder, M. (2023). MULTIOBJECTIVE EVOLUTIONARY METAHEURISTIC APPROACH TO THE CONSTRAINED PORTFOLIO OPTIMIZATION PROBLEM. Pesquisa Operacional, 43, e266962. [DOI:10.1590/0101-7438.2023.043.00266962]
14. Erwin, K., & Engelbrecht, A. (2023). Meta-heuristics for portfolio optimization. Soft Computing, 1-29. [DOI:10.1007/s00500-023-08177-x]
15. Ruiz-Vélez, A., García, J., Alcalá, J., & Yepes, V. (2024). Enhancing robustness in precast modular frame optimization: Integrating NSGA-II, NSGA-III, and RVEA for sustainable infrastructure. Mathematics, 12(10), 1478. [DOI:10.3390/math12101478]
16. IHSANE, I., CHABANE, A. N., & SAHNOUN, M. H. A Multi-Criteria Decision-Making Approach for Optimizing Artificial Neural Networks with Fast NSGA-II for Electricity Demand Prediction.
17. Dong, Y., Liu, S., Pei, X., & Wang, Y. (2025). Spatially explicit multi-objective optimization tool for green infrastructure planning based on InVEST and NSGA-II towards multifunctionality. Land Use Policy, 150, 107465. [DOI:10.1016/j.landusepol.2024.107465]
18. Al-Majali, B. H., & Zobaa, A. F. (2025). Analyzing bi-objective optimization Pareto fronts using square shape slope index and NSGA-II: A multi-criteria decision-making approach. Expert Systems with Applications, 126765. [DOI:10.1016/j.eswa.2025.126765]
19. IHSANE, I., CHABANE, A. N., & SAHNOUN, M. H. A Multi-Criteria Decision-Making Approach for Optimizing Artificial Neural Networks with Fast NSGA-II for Electricity Demand Prediction.
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.