دانلود ترجمه مقاله بهینه سازی پورتفولیوی میانگین ارزش-در-ریسک (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۴۰ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۴۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

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

عنوان انگلیسی مقاله:

Mean-VaR Portfolio Optimization: A Nonparametric Approach

 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۴۰ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله علوم اقتصادی و مدیریت
گرایش های مرتبط با این مقاله مهندسی مالی و ریسک، اقتصادسنجی و تحقیق در عملیات
چاپ شده در مجله (ژورنال) مجله اروپایی تحقیقات عملیاتی – European Journal of Operational Research
کلمات کلیدی بهینه سازی محدود چند-منظوره‌ی پورتفولیوی، محاسبات تکاملی، ارزش در ریسک، شبیه سازی تاریخی غیر پارامتری
کلمات کلیدی انگلیسی  Evolutionary computations – Multi-objective Constrained Portfolio Optimization – Value at Risk – Nonparametric Historical Simulation
ارائه شده از دانشگاه موسسه تحقیقات فناوری اطلاعات Anglia Ruskin، دانشکده علوم و فناوری، انگلستان
نمایه (index) Scopus – Master journals – JCR
نویسندگان Khin T. Lwin، Rong Qu، Bart L. MacCarthy
شناسه شاپا یا ISSN ISSN ۰۳۷۷-۲۲۱۷
شناسه دیجیتال – doi https://doi.org/10.1016/j.ejor.2017.01.005
ایمپکت فاکتور(IF) مجله ۴٫۷۱۲ در سال ۲۰۱۸
شاخص H_index مجله ۲۲۵ در سال ۲۰۱۹
شاخص SJR مجله ۲٫۲۰۵ در سال ۲۰۱۸
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۸
بیس است  
مدل مفهومی دارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۹۷۶۸
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود در فایل ورد و PDF
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۴۴ صفحه (شامل ۴ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت عدد درج شده است  
منابع انتهای متن به صورت انگلیسی درج شده است  

 

فهرست مطالب

چکیده

۱- پیشگفتار

۲- ارزش-در-ریسک: مروری اجمالی

۳- مسائل بهینه‌سازی چند-منظوره‌ی پورتفولیو

۳-۱- مساله‌ی بهینه‌سازی پورتفولیوی میانگین-VaR

۳-۲- محدودیت‌های عملی

محدودیت کاردینالیته

محدودیت‌های کف و سقف

محدودیت پیش-تخصیص

محدودیت‌های Round Lot

محدودیت‌های کلاس

محدودیت‌های حد کلاس

۳-۳- مساله‌ی بهینه‌سازی عملی پورتفولیوی میانگین-VaR

۴- یک الگوریتم تکاملی چند-منظوره‌ی یادگیری-محور

۴-۱- MODE-GL ارائه شده

۵- ارزیابی عملکرد

۵-۱- مجموعه‌های داده

۵-۲- شاخص‌های کیفیت

۵-۳- رویکردهای مورد مطالعه

۵-۴- مقایسه‌های الگوریتم‌ها

۶- نتیجه‌گیری‌ها

 

بخشی از ترجمه

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.

 

۶- 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 [۳۲]. 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.

 

بخشی از مقاله 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.

 

۶- 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.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

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

عنوان انگلیسی مقاله:

Mean-VaR Portfolio Optimization: A Nonparametric Approach

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *