بهينه‌سازي سبد سهام در الگوريتم آتش‌بازي با استفاده از ارزش در معرض خطر و مقايسه آن با الگوريتم انبوه‌ذرات

Stock portfolio optimization in fireworks algorithm using risk value and comparison with Particle Swarm Optimization (PSO)

ماهيت فعاليت‌هاي تجاري و سرمايه‌گذاري به گونه‌اي است كه كسب بازدهي مستلزم تحمل ريسك است. انتخاب سبد سهام عمل دشوار و سختي است كه سرمايه‌گذار خود را در مقابل انتخاب زياد و گوناگوني مي‌بيند كه بايد يكي از آن‌ها را به عنوان بهترين روش انتخاب كند. پژوهش حاضر به مساله بهينه‌سازي سبد سهام با توجه به ارزش در معرض ‌خطر بر مبناي الگوريتم هوشمند آتش‌بازي و مقايسه آن با الگوريتم انبوه‌ذرات از روش شبيه‌سازي تاريخي با استفاده از نرم‌افزارMATLAB مي‌پردازد. تنظيم پارامترهاي الگوريتم‌هاي فراابتكاري به روش تاگوچي با استفاده از نرم افزارMINITAB انجام شد. در اين پژوهش از اطلاعات سهام شركت‌هاي پذيرفته شده در بورس اوراق بهادار كه اطلاعات قيمت و بازده نقدي آن‌ها بين سال‌هاي 1396 تا شهريور 1399 ثبت شده است و مطابق ماده 141 قانون تجارت مشمول تعليق نيستند، استفاده شد. جهت پايايي پژوهش از آزمون ديكي فولر تعميم يافته و آزمون فيليپس پرون استفاده شد. براي ارزيابي دقت مدل ارزش در معرض خطر از آزمون نسبت شكست كوپيك، آزمون استقلال كريستوفرسن و آزمون تركيبي استفاده شده است. همچنين مقايسه اي نيز بين مدل‌ها توسط آزمون لوپز صورت گرفت. زمان اجراي الگوريتم انبوه‌ذرات نسبت به الگوريتم آتش‌بازي در هر سه سطح اطمينان كمتر بوده است اما سرعت همگرايي الگوريتم آتش‌بازي نسبت به الگوريتم انبوه‌ذرات در همه سطوح بيشتر بوده است. يافته‌هاي پژوهش نشان داد كه مدل ارزش در معرض خطر با استفاده از الگوريتم آتش‌بازي علي رغم زمان اجراي بيشتر به علت سرعت همگرايي بهتر و رتبه بالاتر آزمون لوپز از اعتبار مناسب‌تري جهت بهينه‌سازي سبد سهام برخوردار است.

The nature of business and investment activities is such that earning a return requires risk tolerance. Choosing a stock portfolio is a difficult and difficult task that the investor sees in the face of the many and varied choices that she must choose as one of the best methods. The present study deals with the problem of stock portfolio optimization according to the Value at Risk based intelligent fireworks algorithm and compares it with Particle Swarm Optimization algorithm with the historical simulation method using MATLAB software. The parameters of meta-heuristic algorithms were adjusted by Taguchi method using MINITAB software. Not suspended, used. For reliability of the study, generalized Dickey-Fuller test and Phillips-Prone test were used. To evaluate the accuracy of the Conditional Value at Risk model, the kupiec proportion of failure test, Christoffersen independence test and Conditional coverage test are used. A comparison was also made between the models by Lopez test. The execution time of the Particle Swarm Optimization was less than that of the fireworks algorithm at all three levels of confidence, but the convergence speed of the fireworks algorithm was faster than that of the Particle Swarm Optimization at all levels. Findings showed that the Value at Risk model using the fireworks algorithm, despite the longer execution time due to better convergence speed and higher rank of Lopez test has a more appropriate validity for stock portfolio optimization.