Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama

Emre YAKUT, (Osmaniye Korkut Ata Üniversitesi, Osmaniye, Türkiye)
Ahmet ÇANKAL (Osmaniye Korkut Ata Üniversitesi, Osmaniye, Türkiye)
İşletme ve Ekonomi Araştırmaları Dergisi
8 2
Yıl: 2016 Cilt: 7 Sayı: 2 Sayfa Aralığı: 43 - 62 Metin Dili: Türkçe İndeks Tarihi: 29-07-2022

Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama

Öz:
Portföy optimizasyon problemi, Markowitz'in ortaya koyduğu modern portföy teorisi çalışmalarından bu yana finans mühendisliğinin ilgi alanlarından biri olmuştur. En iyi portföyü oluşturabilmek için portföyde yer alan hisse senetlerinin getiri ve risk ilişkisine bakılarak portföy seçim işlemi gerçekleştirilmektedir. Finansal yöneticinin amacı, minimum risk ve maksimum getiriyi sağlayacak etkin bir portföyü oluşturmaktır. Bu amaçla yeni modeller ve bilgisayar teknolojileri artan bir hızla devam etmektedir. Genetik algoritmalar doğal seçim prensiplerine dayanan stokastik algoritma ailesindendir. Bu çalışmada BIST 30 hisse senetlerinin 2004-2013 dönemleri arasında aylık kapanış fiyatları verisi kullanılmıştır. Markowitz ortalama varyans modeli ile hedef programlama ve çok amaçlı genetik algoritma yöntemleri uygulanarak 8 farklı getiri-risk seviyesinde portföyler oluşturulmuştur. Portföyün seçim işleminde yararlanılan parametrik bir istatistiki ölçü birimi olan değişim katsayısı kullanılmıştır. Çalışmadan elde edilen sonuçlar itibari ile en iyi portföyün genetik algoritma için 7 nolu portföy ve bu portföyün 5 adet hisse senedinden, kuadratik hedef programlama için en iyi portföyün 4 nolu portföy ve bu portföyün 8 adet hisse senedinden oluştuğu belirlenmiştir. Optimizasyon teknikleri açısından kıyaslama yapıldığında kuadratik hedef programlamanın genetik algoritmadan daha iyi sonuçlar verdiği tespit edilmiştir
Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği

Portfolio Optimzation Using of Metods Multi Objective Genetic Algorithm and Goal Programming: An Application in BIST-30

Öz:
Portfolio optimization problem has become one of the related fields of financial engineering since the studies of Markowitz about modern portfolio theory. Selection process of portfolio is carried out by looking at the return and risk relationship of stocks in portfolio in order to create the best portfolio. The main purpose of a financial manager is to ensure an efficient portfolio which provides minimum risk and maximum return. For this purpose, new models and computer technology continue at an accelerated rate. Genetic algorithms are from stochastic algorithm family based on the principles of natural selection. In this study, soft closing prices data of BIST 30 stocks between the periods, 2004-2013 are used. Eight different return and risk portfolios are created by applying goal programming and multi-purpose genetic algorithm methods with Markowitz mean-variance model. Variation coefficient which is a statistical unit of measure used for selection of portfolio is used. The results obtained from the study show that the best portfolios consist of number 7 portfolio for genetic algorithm and 5 stocks of this portfolio ; number 4 portfolio for quadratic goal programming method and 8 stocks of this portfolio. It is concluded that when compared in terms of optimization techniques, quadratic goal programming gives better results than genetic algorithm
Anahtar Kelime:

Konular: Bilgisayar Bilimleri, Yazılım Mühendisliği
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Abdelaziz, F. B., Aouni, B., & Fayedh, R. E. (2007). Multi-Objective Stochastic Programming For Portfolio Selection. European Journal Of Operational Research, 177, 1811-1823.
  • Abid, F., Bahloul, S., (2010), International Portfolio Choices With İnvestment Barriers: A Multifactor Approach. Social Science Research Network, 1-25.
  • Affenzeller, M., Wagner, S., Winkler, S., Ve Beham, A. (2009). Genetic Algorithms and Genetic Programming: Modern Concepts and Practical Applications. USA: Crc Press.
  • Akay, D., Çetinyokuş, T. & Dağdeviren, M. (2002). Portföy Seçimi Problemi Çin KDS/GA Yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 17(4), 125-138.
  • Akgüç, Ö. (1998). Finansal Yönetim (7. Baskı Ed.). İstanbul: Avcıol Yayınevi.
  • Altıparmak, F. (1996). Genetik Algoritma İle Haberleşme Şebekelerinin Optimizasyonu (Yayımlanmamış Doktora Tezi) Gazi Üniversitesi /Fen Bilimleri Enstitüsü, Ankara.
  • Bilbao A, Arenas M, Rodriguez M, Antomil J (2007). On Constructing Expert Betas For Single-İndex Model. European Journal of Operational Research, 183, 827-847.
  • Bolak, M. (1998). Sermaye Piyasası: Menkul Kıymetler ve Portföy Analizi (3. Baskı Ed.). Istanbul: Beta Kitabevi
  • Bolat, B. (2006). Asansör Kontrol Sistemlerinin Genetik Algoritma İle Simülasyonu (Yayımlanmamış Doktora Tezi). Yıldız Teknik Üniversitesi/ Fen Bilimleri Enstitüsü, İstanbul.
  • Brealey, R. A., Myers, S. C., Marcus, A. J., Bozkurt, Ü., Arıkan, T. & Doğukanlı, H. (1997). İşletme Finansının Temelleri. Istanbul: Literatür.
  • Canbaş, S. & Doğukanlı, H. (2007). Finansal Pazarlar: Finansal Kurumlar, Sermaye Pazarı Analizleri. Adana: Karahan Kitabevi.
  • Chambers, L. D. (1998). Practical Handbook of Genetic Algorithms: Complex Coding Systems (Vol. 3). Florida: CRC Press.
  • Chang, J. F., Wang, T. C., & Min, Y. T. (2010). Using Genetic Algorithms To Construct A Low-Risk Fund Portfolio Based On The Taiwan 50 Index. In Computational Aspects Of Social Networks (Cason), 2010 International Conference On, 284-289.
  • Elmas, Ç. (2011). Yapay Zeka Uygulamaları (2. Baskı Ed.). Ankara: Seçkin Yayınevi.
  • Ercan, M. K. & Ban, Ü. (2005). Değere Dayalı İşletme Finansı: Finansal Yönetim. Ankara: Gazi Kitabevi.
  • Eshlaghy, T.A., Abdolahi, A., Moghadasi, M. & Maatofi, A. (2011). Using Genetic And Particle Swarm Algorithms To Select And Optimize Portfolios Of Companies Admitted To Tehran Stock Exchange. Research Journal Of Internatıonal Studies, 20, 95-105.
  • Gen, M. & Cheng, R. (2000). Genetic Algorithm And Engineering Optimization. New York: John Wily And Sons.
  • Goldberg, D. E. & Deb, K. (1991). A Comparative Analysis Of Selection Schemes Used In Genetic Algorithms. Foundations Of Genetic Algorithms, 1, 69-93.
  • İşlier, A. A. (2001). Üretim Hücrelerinin Bir Genetik Algoritma Kullanılarak Oluşturulması. Anadolu Universitesi Bilim ve Teknoloji Dergisi, 2, 137-157.
  • Karan, M. B. (2001). Yatırım Analizi Ve Portföy Yönetimi. Ankara: Gazi Kitabevi.
  • Keskintürk, T. (2007). Portföy Seçiminde Markowitz Modeli İçin Yeni Bir Genetik Algoritma Yaklaşımı, Yönetim, 18(56), 78-90.
  • Keskintürk, T., Demirci, E. & Tolun, S. (2010). İyi Çeşitlendirilmiş Portföy Büyüklüğünün Genetik Algoritma Tekniği Kullanılarak İncelenmesi. Sosyal Bilimler Dergisi, 2, 1-5.
  • Koza, J. R. (1992). Genetic Programming: On The Programming Of Computers By Means Of Natural Selection (Vol. 1). USA: MIT Press.
  • Küçükkocaoğlu, G. (2002). Optimal Portföyün Seçimi ve İMKB Ulusal-30 Endeksi Üzerine Bir Uygulama. Active-Bankacılık ve Finans Dergisi, 26, 74-91.
  • Lai, K. K., Yu, L., Wang, S. & Zhou, C. (2006). A Double-Stage Genetic Optimization Algorithm For Portfolio Selection, Neural Information Processing, 4234, 928-937.
  • Lin, C.M. & Gen, M. (2007). An Effective Decision-Based Genetic Algorithm Approach To Multiobjective Portfolio Optimization Problem. Applied Mathematical Sciences, 1(5), 201-210.
  • Mathworks.(2004).http://www.Mathworks.Com/Examples/Global-Optimization/374-Multiobjective-Genetic- Algorithm-Options, (Erişim Tarihi, 09 Ağustos 2015).
  • Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs (3rd Ed.). USA: Springer-Verlag.
  • Okka, O. (2009). Analitik Finansal Yönetim: Teori ve Problemler. Ankara: Nobel Kitabevi.
  • Öz, B., Ayrıçay, Y. & Kalkan, G. (2011). Finansal Oranlarla Hisse Senedi Getirilerinin Tahmini: İMKB 30 Endeksi Hisse Senetleri Üzerine Diskriminant Analizi İle Bir Uygulama, Anadolu Üniveristesi Sosyal Bilimler Dergisi, 11(3), 51-64.
  • Özdemir, M. (2011). Genetik Algoritma Kullanılarak Portföy Seçimi. İktisat Isletme ve Finans, 26(299), 43-66.
  • Pandari, A. R., Azar, A. & Shavazi, A. R. (2012). Genetic Algorithms For Portfolio Selection Problems with Non-Linear Objectives. African Journal Of Business Management, 6(20), 6209-6216.
  • Parra, M. A., Terol, A. B., & Uria, M. V. R. (2001). A Fuzzy Goal Programming Approach To Portfolio Selection. European Journal Of Operational Research, 133, 287-297.
  • Prakash, A.J., Chang, C.H. & Pactwa, T.E. (2003). Selecting A Portfolio With Skewness: Recent Evidence From US, European, And Latin American Equity Markets. Journal Of Banking and Finance, 27, 1375-1390.
  • Sastry, K., Goldberg, D. & Kendall, G. (2005). Search Methodologies: Introductory Tutorials in Optimization And Decision Support Techniques. USA: Springer.
  • Sharma, H. & Sharma, D., (2005). A Multi-Objective Decision-Making Approach For Mutual Fund Portfolio. Journal Of Business Economic Research, 3(10), 75-84.
  • Sivanandam, S., Ve Deepa, S. (2008). Introduction To Genetic Algorithms. Berlin Heidelberg New York: Springer.
  • Skolpadungket, P., Dahal, K. & Harnpornchai, N. (2007). Portfolio Optimization Using Multi-Objective Genetic Algorithms. In Evolutionary Computation, IEEE Congress On, 516-523.
  • Soleimani, H., Golmakani, H. R. & Salimi, M. H. (2009). Markowitz-Based Portfolio Selection With Minimum Transaction Lots, Cardinality Constraints And Regarding Sector Capitalization Using Genetic Algorithm. Expert Systems With Applications, 36(3), 5058-5063.
  • Stoyan, S.J. & Kwon, R.H. (2011). A Stochastic-Goal Mixed-İnteger Programming Approach For İntegrated Stock And Bond Portfolio Optimization, Computers & Industrial Engineering, 61,1285-1295.
  • Sun, Q. & Y. Yan. (2003). Skewness Persistence With Optimal Portfolio Selection. J. Banking Finance, 27, 1111-1121.
  • The Mathworks, (2004). Genetic Algorithm And Direct Search Toolbox, MATLAB Version. 1. User's Guide, The Mathworks.
  • Ulucan, A. (2004). Portföy Optimizasyonu. Ankara: Siyasal Kitabevi.
  • Weise, T. (2009). Global Optimization Algorithms-Theory and Application. Self-Published. http://Www.İt- Weise.De/Projects/Book.pdf
  • Zeren, F. & Bayğın, M., (2015). Genetik Algoritmalar İle Optimal Portföy Seçimi: BİST-30 Örneği, Journal Of Business Research Turk, 7(1), 309-324.
  • Zhou, C., Yu, L., Huang, T., Wang, S., & Lai, K. K. (2006). Selecting Valuable Stock Using Genetic Algorithm, In Simulated Evolution and Learning, 4247, 688-694.
  • Zivot, E. (2002). Introduction To Computational Finance And Financial Econometris: Chapter 1 Asset Return Calculation., 1-16.
APA Yakut E, ÇANKAL A (2016). Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. , 43 - 62.
Chicago Yakut Emre,ÇANKAL Ahmet Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. (2016): 43 - 62.
MLA Yakut Emre,ÇANKAL Ahmet Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. , 2016, ss.43 - 62.
AMA Yakut E,ÇANKAL A Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. . 2016; 43 - 62.
Vancouver Yakut E,ÇANKAL A Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. . 2016; 43 - 62.
IEEE Yakut E,ÇANKAL A "Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama." , ss.43 - 62, 2016.
ISNAD Yakut, Emre - ÇANKAL, Ahmet. "Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama". (2016), 43-62.
APA Yakut E, ÇANKAL A (2016). Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. İşletme ve Ekonomi Araştırmaları Dergisi, 7(2), 43 - 62.
Chicago Yakut Emre,ÇANKAL Ahmet Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. İşletme ve Ekonomi Araştırmaları Dergisi 7, no.2 (2016): 43 - 62.
MLA Yakut Emre,ÇANKAL Ahmet Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. İşletme ve Ekonomi Araştırmaları Dergisi, vol.7, no.2, 2016, ss.43 - 62.
AMA Yakut E,ÇANKAL A Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. İşletme ve Ekonomi Araştırmaları Dergisi. 2016; 7(2): 43 - 62.
Vancouver Yakut E,ÇANKAL A Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. İşletme ve Ekonomi Araştırmaları Dergisi. 2016; 7(2): 43 - 62.
IEEE Yakut E,ÇANKAL A "Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama." İşletme ve Ekonomi Araştırmaları Dergisi, 7, ss.43 - 62, 2016.
ISNAD Yakut, Emre - ÇANKAL, Ahmet. "Çok lı Genetik Algoritma ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama". İşletme ve Ekonomi Araştırmaları Dergisi 7/2 (2016), 43-62.
Sayfa Oluşturulma Tarihi
23-04-2024 0:37

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları