ترجمه مقاله بهینه سازی پورتفولیوی میانگین-VaR (ارزش-در-ریسک)- نشریه الزویر

ترجمه مقاله بهینه سازی پورتفولیوی میانگین-VaR (ارزش-در-ریسک)- نشریه الزویر
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
بهینه سازی پورتفولیوی میانگین-VaR (ارزش-در-ریسک): یک روش غیر پارامتری
عنوان انگلیسی
Mean-VaR Portfolio Optimization: A Nonparametric Approach
صفحات مقاله فارسی
44
صفحات مقاله انگلیسی
40
سال انتشار
2017
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
4.712 در سال 2018
شاخص H_index مجله
225 در سال 2019
شاخص SJR مجله
2.205 در سال 2018
شناسه ISSN مجله
0377-2217
شاخص Q یا Quartile (چارک)
Q1 در سال 2018
کد محصول
9768
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
بیس
است ✓
مدل مفهومی
دارد ✓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در داخل متن و انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
علوم اقتصادی و مدیریت، مهندسی مالی و ریسک، اقتصادسنجی و تحقیق در عملیات
مجله
مجله اروپایی تحقیقات عملیاتی - European Journal of Operational Research
دانشگاه
موسسه تحقیقات فناوری اطلاعات Anglia Ruskin، دانشکده علوم و فناوری، انگلستان
کلمات کلیدی
محاسبات تکاملی، بهینه سازی محدود چند-منظوره‌ی پورتفولیوی، ارزش در ریسک، شبیه سازی تاریخی غیر پارامتری
کلمات کلیدی انگلیسی
Evolutionary computations - Multi-objective Constrained Portfolio Optimization - Value at Risk - Nonparametric Historical Simulation
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.ejor.2017.01.005
فهرست مطالب
چکیده
1. پیشگفتار
2. ارزش-در-ریسک: مروری اجمالی
3. مسائل بهینه‌سازی چند-منظوره‌ی پورتفولیو
3.1. مساله‌ی بهینه‌سازی پورتفولیوی میانگین-VaR
3.2. محدودیت‌های عملی
محدودیت کاردینالیته
محدودیت‌های کف و سقف
محدودیت پیش-تخصیص
محدودیت‌های Round Lot
محدودیت‌های کلاس
محدودیت‌های حد کلاس
3.3. مساله‌ی بهینه‌سازی عملی پورتفولیوی میانگین-VaR
4. یک الگوریتم تکاملی چند-منظوره‌ی یادگیری-محور
4.1. MODE-GL ارائه شده
5. ارزیابی عملکرد
5.1. مجموعه‌های داده
5.2. شاخص‌های کیفیت
5.3. رویکردهای مورد مطالعه
5.4. مقایسه‌های الگوریتم‌ها
6. نتیجه‌گیری‌ها
نمونه چکیده متن اصلی انگلیسی
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 چکیده ترجمه متن فارسی
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.


بدون دیدگاه