عنوان فارسی:دانلود مقاله بهینه سازی پورتفولیوی میانگین ارزش در ریسک

دانلود ترجمه مقاله بهینه سازی پورتفولیوی میانگین ارزش در ریسک – الزویر ۲۰۱۷:در این کار، ما مساله‌ی بهینه‌سازی پورتفولیو را با شش محدودیت عمل با کاربرد گسترده در سناریوهای تجاری زندگی واقعی مورد بررسی قرار داده‌ایم. تمرکز این کار به عنوان ریسک نامطلوب به عنوان یک معیار ریسک پیشنهادی در بازارهای مالی است و یک چارچوب واقع‌بینانه برای بهینه‌سازی پورتفولیو اتخاذ می‌شود که از گسترده‌ترین رویکرد در نظر گرفته شده‌ی میانگین-واریانس دور می‌شود. ارزش-در-ریسک (VaR) به عنوان یک معیار ریسک استفاده می‌شود و یک رویکرد شبیه‌سازی تاریخی برای محاسبه‌ی VaR اتخاذ می‌شود. بهینه‌سازی پورفولیو در زمینه‌ی VaR شامل پیچیدگی‌های اضافی است…

مقاله انگلیسی+ترجمه فارسی

فهرست مقالات

چکیده

۱- پیشگفتار

۲- ارزش-در-ریسک: مروری اجمالی

۳- مسائل بهینه‌سازی چند-منظوره‌ی پورتفولیو

۳-۱- مساله‌ی بهینه‌سازی پورتفولیوی میانگین-VaR

۳-۲- محدودیت‌های عملی

محدودیت کاردینالیته

محدودیت‌های کف و سقف

محدودیت پیش-تخصیص

محدودیت‌های Round Lot

محدودیت‌های کلاس

محدودیت‌های حد کلاس

۳-۳- مساله‌ی بهینه‌سازی عملی پورتفولیوی میانگین-VaR

۴- یک الگوریتم تکاملی چند-منظوره‌ی یادگیری-محور

۴-۱- MODE-GL ارائه شده

۵- ارزیابی عملکرد

۵-۱- مجموعه‌های داده

۵-۲- شاخص‌های کیفیت

۵-۳- رویکردهای مورد مطالعه

۵-۴- مقایسه‌های الگوریتم‌ها

۶- نتیجه‌گیری‌ها

چکیده

بهینه‌سازی پورتفولیو شامل تخصیص بهینه‌ی سرمایه‌ی محدود به دارایی‌های مالی مختلف قابل دسترس به منظور دستیابی به یک مبادله‌ی معقولانه بین سود و ریسک است. ما یک مدل میانگین-VaR مارکوویتز را در نظر می‌گیریم که در آن، واریانس با یک معیار ریسک استاندارد صنعتی، یعنی ارزش-در-رسیک (VaR)، به منظور ارزیابی بهتر قرار گرفتن در معرض ریسک بازار مربوط به نوسانات قیمت دارایی‌های مالی و کالایی جایگزین می‌شود.

بهینه‌سازی واقع‌بینانه‌ی پوتفولیو در چارچوب کاری میانگین-VaR، مساله‌ای چالش برانگیز است زیرا بهینه‌سازی VaR منجر به یک مساله‌ی نامحدب NP-hard می‌شود که از لحاظ محاسباتی حل نشدنی است. در این کار، یک الگوریتم تکاملی چند-منظوره ترکیبی مبتنی بر یادگیری (MODE-LG) کارامد را به منظور حل مسائل بهینه‌سازی پورتفولیوی میانگین-VaR با محدودیت‌های جهان-واقعی، مانند کاردینالیته ، کمیت، پیش-تخصیص، Round-lot (یک واحد معامله در بورس است)، و محدودیت‌های کلاس ارائه می‌دهد.

یک استراتژی تولید راه‌حل مبتنی بر یادگیری، در فرایند بهینه‌سازی چند-منظوره به منظور ارتقاء همگرایی کارامد به وسیله هدایت جستجوی تکاملی در جهت نواحی امیدبخش فضای جستجو ادغام می‌شود. الگوریتم ارائه شده، در برابر الگوریتم ژنتیکی مرتب‌سازی غیر-غالب (NSGA-II) و الگوریتم تکاملی قدرت پارتو (SPEA2) مقایسه می‌شود. نتایج تجربی به دست آمده با استفاده از داده‌های روزانه‌ی تاریخی بازار مالی از شاخص‌های S&P100 و S&P500 ارائه می‌شوند.

نتایج تجربی نشان می‌دهند که MODE-GL، بهتر از دو تکنیک موجود برای این کلاس مهم مسائل سرمایه‌گذاری پورتفولیو در زمینه کیفیت راه‌حل و زمان محاسباتی عمل می‌کند. نتایج نشان می‌دهند که الگوریتم ارائه شده قادر به حل بهینه‌سازی پورتفولیوی پیچیده، بدون ساده‌سازی، است و در عین حال، راه‌حل‌های خوبی را در زمان معقول به دست می‌آورد و دارای پتانسیل قابل توجهی برای استفاده در عمل است.

Abstract

Portfolio optimization involves the optimal assignment of limited capital to different available financial assets to achieve a reasonable trade-off between profit and risk. We consider an alternative Markowitz’s mean–variance model in which the variance is replaced with an industry standard risk measure, Value-at-Risk (VaR), in order to better assess market risk exposure associated with financial and commodity asset price fluctuations. Realistic portfolio optimization in the mean-VaR framework is a challenging problem since it leads to a non-convex NP-hard problem which is computationally intractable.

In this work, an efficient learning-guided hybrid multi-objective evolutionary algorithm (MODE-GL) is proposed to solve mean-VaR portfolio optimization problems with real-world constraints such as cardinality, quantity, pre-assignment, round-lot and class constraints. A learning-guided solution generation strategy is incorporated into the multi-objective optimization process to promote efficient convergence by guiding the evolutionary search towards promising regions of the search space.

The proposed algorithm is compared with the Non-dominated Sorting Genetic Algorithm (NSGA-II) and the Strength Pareto Evolutionary Algorithm (SPEA2). Experimental results using historical daily financial market data from S & P 100 and S & P 500 indices are presented. The results show that MODE-GL outperforms two existing techniques for this important class of portfolio investment problems in terms of solution quality and computational time. The results highlight that the proposed algorithm is able to solve the complex portfolio optimization without simplifications while obtaining good solutions in reasonable time and has significant potential for use in practice.

نمونه ترجمه مقاله:دانلود ترجمه مقاله ریسک

1. پیشگفتار

بهینه‌سازی پورتفولیو مربوط به تخصیص بهینه‌ی سرمایه‌ی محدود به دارایی‌های مالی قابل دسترس به منظور دستیابی به مبادله‌ای بین پاداش و ریسک است. مدل کلاسیک میانگین-واریانس (MV) [53،54]، مساله‌ی انتخاب پورتفولیو را به عنوان یک مساله‌ی بهینه‌سازی دو-معیاری با مبادله‌ای بین مینیمم ریسک و ماکسیمم بازده مورد انتظار فرمولبندی می‌کند. در مدل MV، ریسک توسط پارامتر انتشار (پراکندگی) تعریف می‌شود و فرض می‌شود که بازده‌ها دارای توزیع نرمال یا بیضوی هستند. اگرچه، توزیع‌های بازده‌ها متقارن هستند و معمولا دارای کشیدگی  بیش از حد در عمل هستند [6،20،28،45،58]. بنابراین، واریانس به عنوان یک معیار ریسک به طور گسترده‌ای توسط متخصصان، با توجه معیار تقارنی آن که به طور مساوی به بازده‌های مثبت مطلوب در برابر بازده‌های منفی نامطلوب، وزن می‌دهد، نقد شده است. در واقع، مارکوویتز، ناکارامدی‌های موجود در رویکرد میانگین-واریانس را تشخیص داد و معیار ریسک نیمه-واریانس  [54] را به منظور سنجش تغییرپذیری بازده‌های کمتر از میانگین پیشنهاد داد. عملا، بسیاری از سرمایه‌گذاران منطقی، بیشتر، عملکرد پایین در پورتفولیو را مد نظر قرار می‌دهند نه عملکرد بالا را.

این محدودیت‌ها منجر به مسیرهای تحقیقاتی شده‌اند که در آن‌ها معیارهای ریسک واقع‌بینانه، برای جداسازی حرکات نزولی نامطلوب از حرکات صعودی مطلوب استفاده می‌شوند. در میان این معیارهای مختلف ریسک، ارزش-در-ریسک (VaR) [55] و کمبود (کسری)  مورد انتظار یا ریسک-در-ارزش شرطی (CVAR) [61]، معیارهای ریسک رایجی هستند که به طور گسترده‌ای پذیرفته شده‌اند. راکافلار و اوریسف  [62]، بحث‌های جامعی را در زمینه VaR و CVaR با توزیع‌های منظم، ارائه دادند. انتخاب بین این دو معیار ریسک، بر مبنای عوامل بسیاری مانند تفاوت‌های در ویژگی‌های ریاضی، پایداری تخمین آماری، سازگاری روش‌های بهینه‌سازی، و مهمتر از همه، پذیرش توسط صنایع مالی و قانون‌گذاران است [66]. VaR، علی رغم محدودیت‌های تایید شده‌ی آن [62]، به طور گسترده‌ای در صنایع مالی پذیرفته شده است [8،9،10،32،40،57]، اما ویژگی‌های غیر خطی و مهارنشدنی آن [56]، آن را از نظر محاسباتی برای مسائل بهینه‌سازی پورتفولیو با محدودیت‌های جهان-واقعی بسیار چالش برانگیز می‌سازند. این مقاله، یک مدل بهینه‌سازی پورتفولیوی مارکوویتز دو-معیاری جایگزین را ارائه می‌دهد که در آن، واریانس با VaR جایگزین شده است.

از یک نقطه نظر عملی، سرمایه‌گذاری معمولا با محدودیت‌های تجاری جهان-واقعی بسیاری مواجه هستند، که این امر مستلزم این است که پورتفولیوهای ساخته شده، محدودیت‌های تجاری را رعایت کنند. در نتیجه، چند اصلاح و گسترش از مدل اساسی مارکووویتز با انعکاس محدودیت‌های جهان-واقعی توسعه یافته‌اند. از آنجایی که محدودیت‌های تجاری اضافی که نشانگر مسائل عملی مربوطه هستند منجر به مجموعه‌هایی از متغییرهای گسسته و محدودیت‌ها می‌شوند، مساله بهینه‌سازی ایجاد شده بسیار پیچیده می‌شود. ما در این کار، یک مساله‌ی بهینه‌سازی چند-منظوره‌ی تک-دوره‌ای پورتفولیو را با محدودیت‌های تجاری عملی، یعنی، کاردینالیته، کمیت، پیش-تخصیص، round lot، کلاس و محدودیت‌های حدی کلاس در نظر می‌گیریم. ارزش-در-ریسک (VaR) به عنوان یک معیار ریسک استفاده می‌شود و برای محاسبه‌ی آن از یک رویکرد شبیه‌سازی تاریخی غیر پارامتری استفاده می‌شود.