فایل ورد کامل بهینه سازی پورتفولیوی میانگین ارزش-در-ریسک: رویکردی غیر پارامتری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهینه سازی پورتفولیوی میانگین ارزش-در-ریسک: رویکردی غیر پارامتری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۸ صفحه

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.

– نتیجه‌گیری‌ها

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 زیرا VaR غیر خطی، نامحدب و غیر دیفرانسیل‌پذیر است و معمولا ناپیوستگی‌های و بی‌نهایت‌های موضعی را به ویژه زمانی که محدودیت‌های تجاری جهان واقعی ادغام می‌شوند نشان می‌دهد []. یک الگوریتم تکاملی چند-منظوره‌ی هیبرید یادگیری-محور (MODE-GL) کارامد جدید برای حل مسائل بهینه‌سازی میانگین-VaR با محدودیت‌های تجاری عملی توسعه یافته است.

عنوان انگلیسی:Mean-VaR Portfolio Optimization: A Nonparametric Approach~~en~~

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.

– Conclusions

In this work, we have investigated the portfolio optimization problem with six widely used practical constraints in real life trading scenarios. This work focuses on downside risk as an alternative risk measure in financial markets and adopts a realistic framework for portfolio optimization that moves away from most widely considered mean-variance approach. Value-at-Risk (VaR) is used as a risk measure and a historical simulation approach is adopted to calculate VaR. This technique is nonparametric and does not require any distributional assumptions. The portfolio optimization in the VaR context involves additional complexities since VaR is non-linear, non-convex and non-differentiable, and typically exhibits multiple local extrema and discontinuities especially when real-world trading constraints are incorporated [32]. A new efficient learning-guided hybrid multi-objective evolutionary algorithm (MODE-GL) has been developed to solve mean-VaR portfolio optimization problems with practical trading constraints.

$$en!!