Solving Constrained Mean-Variance Portfolio Optimization Problems Using Spiral Optimization Algorithm

Febrianti, Werry; Sidarto, Kuntjoro Adji; Sumarti, Novriana

doi:10.3390/ijfs11010001

Cited by 4 publications

(1 citation statement)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…This strategy is better than handling the integral constraints using penalty in the objective function, because it will require a lot of resources to find a near optimal solution. For example, Febrianti et al (2022) used a population of 50,000 elements in solving a constrained portfolio optimization consisting of only 5 assets.…”

Section: Modified Bbomentioning

confidence: 99%

Large-Scale Portfolio Optimization Using Biogeography-Based Optimization

Wijaya,

Sidarto

2023

IJFS

Self Cite

View full text Add to dashboard Cite

Portfolio optimization is a mathematical formulation whose objective is to maximize returns while minimizing risks. A great deal of improvement in portfolio optimization models has been made, including the addition of practical constraints. As the number of shares traded grows, the problem becomes dimensionally very large. In this paper, we propose the usage of modified biogeography-based optimization to solve the large-scale constrained portfolio optimization. The results indicate the effectiveness of the method used.

show abstract

Section: Modified Bbomentioning

confidence: 99%

Large-Scale Portfolio Optimization Using Biogeography-Based Optimization

Wijaya,

Sidarto

2023

IJFS

Self Cite

View full text Add to dashboard Cite

show abstract

Objective-based survival individual enhancement in the chimp optimization algorithm for the profit prediction using financial accounting information system

Zhao,

Martín,

Khishe

et al. 2024

Engineering Science and Technology, an International Journal

View full text Add to dashboard Cite

Optimización de portafolio con cardinalidad usando algoritmos genéticos de población dual

Vanegas Gutiérrez

2024

ODEON

View full text Add to dashboard Cite

En algunos estudios se ha encontrado que, muchas veces, los algoritmos genéticos con una sola población para la solución de la optimización de portafolio con cardinalidad convergen lentamente y no obtienen los mejores resultados. Una manera de mejorar el desempeño de estos algoritmos ha sido incorporar una población adicional que actúe como buscador de máximos y mínimos locales; de esta manera, se aumenta la probabilidad de encontrar el óptimo global de la solución en un menor tiempo. Este documento busca identificar el rendimiento en muestra y fuera de muestra de un portafolio de activos de renta variable con restricciones de cardinalidad usando algoritmos genéticos con una sola población y con población doble, estableciendo como universo el índice Dow Jones. Los resultados muestran que el desempeño puede verse afectado por los parámetros seleccionados para realizar la optimización, por lo que es importante tener en cuenta el error en la estimación de la media y la varianza del portafolio.

show abstract

Solving Constrained Mean-Variance Portfolio Optimization Problems Using Spiral Optimization Algorithm

Cited by 4 publications

References 14 publications

Large-Scale Portfolio Optimization Using Biogeography-Based Optimization

Large-Scale Portfolio Optimization Using Biogeography-Based Optimization

Objective-based survival individual enhancement in the chimp optimization algorithm for the profit prediction using financial accounting information system

Optimización de portafolio con cardinalidad usando algoritmos genéticos de población dual

Contact Info

Product

Resources

About