A review on the current applications of genetic algorithms in mean-variance portfolio optimization

Kalaycı, Can Berk; Ertenlice, Okkes; Akyer, Hasan; Aygören, Hakan

doi:10.5505/pajes.2017.37132

Cited by 22 publications

(9 citation statements)

References 13 publications

(17 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Elde edilen bu nüfus ileriki nesillerde kullanılır. GA'da Mutasyon ile, kayıp veya keşfedilmemiş genetik materyaller bulunur ve erken yakınsamayı önler, yerel optimum seviyede kalır [59]. Her nesil için bu adımlar tekrarlanır.…”

Section: İlgi̇li̇ çAlişmalar [Related Studies]unclassified

Genetik Algoritma Yaklaşımıyla Öznitelik Seçimi Kullanılarak Makine Öğrenmesi Algoritmaları ile Kalp Hastalığı Tahmini

Vatansever¹,

Aydın²

2021

Journal of Scientific Technology and Engineering Research

View full text Add to dashboard Cite

Section: İlgi̇li̇ çAlişmalar [Related Studies]unclassified

Genetik Algoritma Yaklaşımıyla Öznitelik Seçimi Kullanılarak Makine Öğrenmesi Algoritmaları ile Kalp Hastalığı Tahmini

Vatansever¹,

Aydın²

2021

Journal of Scientific Technology and Engineering Research

View full text Add to dashboard Cite

“…Evolutionary algorithms, such as GA, allow researchers to solve more complex and combinatorial problems in a reasonable time (Soleimani et al, 2009). Their application to optimization problems with nonlinear or non-convex objective functions, in order to reduce the computational effort of finding the (near) optimal solution, is increasing in the portfolio theory literature (Streichert et al, 2004;Chang et al, 2009;Soleimani et al, 2009;Zhu et al, 2011;Kalayci et al, 2017). In this study, the use of GA allowed the second and third optimization levels to be solved simultaneously, reducing the computational effort to find the robust solutions.…”

Section: Computing the Robust Portfoliosmentioning

confidence: 99%

Portfolio selection under uncertainty: a new methodology for computing relative‐robust solutions

Caçador

Dias

Godinho

2019

Int Trans Operational Res

View full text Add to dashboard Cite

In this paper, a new methodology for computing relative-robust portfolios based on minimax regret is proposed. Regret is defined as the utility loss for the investor resulting from choosing a given portfolio instead of choosing the optimal portfolio of the realized scenario. The absolute-robust strategy was also considered and, in this case, the minimum investor's expected utility in the worst-case scenario is maximized. Several subsamples are gathered from the in-sample data and for each subsample a minimax regret and a maximin solution are computed, to avoid the risk of overfitting. Robust portfolios are computed using a genetic algorithm, allowing the transformation of a three-level optimization problem in a two-level problem. Results show that the proposed relative-robust portfolio generally outperforms (other) relative-robust and non-robust portfolios, except for the global minimum variance portfolio. Furthermore, the relative-robust portfolio generally outperforms the absolute-robust portfolio, even considering higher risk aversion levels.

show abstract

“…Pandari, Azar [16] çalışmasında, optimum portföyü belirlemek için Tahran Borsası verileri kullanılarak sistematik risk ve sistematik olmayan riski minimum seviyede tutmak ve getiri oranını yükseltmek için GA tekniğini kullanılarak klasik yöntemler ile karşılaştırılmıştır. Kalayci, Ertenlice [17], Markowitz'in ortalama varyans modelinde maksimum getiri ve minimum riski hedefleyen portföy için etkin sınırı hesaplayarak karmaşık yapıya sahip portföy optimizasyonu problemi için GA kullanmış ve literatürde bu alanda yapılan çalışmalar incelemiştir.…”

Section: Introductionunclassified

Sharpe Oranı ve Treynor Endeksi Performans Ölçülerine Dayalı Genetik Algoritma Yaklaşımı

Başaran

2021

Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi

View full text Add to dashboard Cite

Özet: Yatırımcı her zaman kendisine en yüksek faydayı sağlayacak olan portföyü oluşturmak istemektedir. Bu durum optimize edilmesi gereken portföy problemini ortaya çıkartır. Literatürde portföy optimizasyon problemi çözümünde genellikle bir klasik optimizasyon yöntemlerinden biri olan karesel programlama yöntemi kullanılmaktadır. Son yıllarda yapılan çalışmalar incelendiğinde yapay zeka algoritmalarının optimizasyon problemlerinde gösterdiği başarılardan yola çıkarak bu çalışmada genetik algoritma yaklaşımının portföy optimizasyon problemindeki başarısı ölçülmek istenmektedir. Portföy optimizasyon problemi için karesel programlama ile genetik algoritma yöntemleri portföy performans ölçüleri açısından karşılaştırılmıştır. Karşılaştırmada 2019 yılına ait BIST-30 endeksinde işlem gören hisse senetleri kullanılmıştır. Portföy performansını değerlendirmek için sharpe oranı ile treynor endeksi performans ölçüleri iki optimizasyon yönteminde de amaç fonksiyonu olarak kullanılmıştır. İki optimizasyon yönteminde de amaç; en yüksek performans ölçüsü oranına sahip portföyün belirlenmesidir. Yapılan analiz sonucunda genetik algoritma yönteminin her iki portföy performans ölçüsüne göre de optimum sonuca ulaştığı gözlemlenmiş ve treynor endeksinin sharpe oranına göre daha yüksek performans ölçüsü oranına sahip bir portföy oluşturduğu belirlenmiştir.

show abstract

A review on the current applications of genetic algorithms in mean-variance portfolio optimization

Abstract: Abstract

Cited by 22 publications

References 13 publications

Genetik Algoritma Yaklaşımıyla Öznitelik Seçimi Kullanılarak Makine Öğrenmesi Algoritmaları ile Kalp Hastalığı Tahmini

Genetik Algoritma Yaklaşımıyla Öznitelik Seçimi Kullanılarak Makine Öğrenmesi Algoritmaları ile Kalp Hastalığı Tahmini

Portfolio selection under uncertainty: a new methodology for computing relative‐robust solutions

Sharpe Oranı ve Treynor Endeksi Performans Ölçülerine Dayalı Genetik Algoritma Yaklaşımı

Contact Info

Product

Resources

About