Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi
Yıl: 2021 Cilt: 10 Sayı: 1 Sayfa Aralığı: 266 - 288 Metin Dili: Türkçe İndeks Tarihi: 16-07-2021
Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi
Öz: Modern finans piyasalarında yatırımcıların ve fon yöneticilerinin karşılaştığıen büyük sorunlardan biri uygun bir yatırım kombinasyonu bulmaktır.Portföy optimizasyonu problemi olarak çerçevelenen bu sorun, yatırımyapılacak farklı finansal varlıkların seçimini ve optimal tahsisini içerir.Harry Markowitz tarafından sunulan geleneksel ortalama varyans modeli,portföy optimizasyonu problemini çözmek için kullanılan birçok modelintemelini oluşturur. Varlık getirilerin tahmininde çok fazla araç olmasınarağmen ortalama-varyans modelinde bir varlığın beklenen getirisi, geçmişdönem getirilerinin aritmetik ortalaması ile hesaplanır. Getiri tahminindearitmetik ortalama yerine farklı öngörü tekniklerinin portföy optimizasyonusürecine dahil edilmesi gerekmektedir. Aynı zamanda portföyoptimizasyonu problemleri çoğunlukla doğrusal olmayan yapıdadır ve enfazla belirli sayıda varlığa yatırım yapılması gibi kısıtlar içeren portföyproblemi karmaşık yapıda olduğundan genetik algoritmanın bu problemlereuygulanabilirliği araştırılmalıdır. Bu çalışmada, sezgisel bir yaklaşım olangenetik algoritma farklı getiri ölçümlerindeki portföy optimizasyonuproblemine Excel Çözücü Açılım (Evolutionary) vasıtasıylauygulanmaktadır. Varlık getirilerinin tahmininde üç farklı getiri ölçütüolarak; ortalama getiri, Monte Carlo simülasyon getiri ve tahmin getirikullanılmaktadır. Getiri ölçütü olarak bu üç teknik kullanılırsa portföyoptimizasyonu probleminin Excel ortamında çözümlenebileceğigösterilmektedir. BİST 30 finansal piyasasından elde edilen veri setiüzerinden uygulama gerçekleştirilmektedir. Üç getiri tekniği ile birlikteçeşitli kısıtlar içeren riske ve getiriye farklı önem dereceleri veren veölçeklendirilmiş amaç fonksiyonu ile oluşturulan optimal senaryolarınperformansları değişim katsayısı ve gelecek dönemlerde gerçekleşendeğerler üzerinden karşılaştırılmaktadır. Ampirik sonuçlar Monte Carlogetiri tekniğinin diğerlerinden daha başarılı olduğunu göstermektedir. İkiamaçlı problemlerde ölçeklendirilmiş amaç fonksiyonu kullanılmasınıngerekliliği gösterilmiştir. Ayrıca senaryolar üretilmesi gereken portföyoptimizasyonu problemlerinde GA kullanımının zaman açısındandezavantajlı olduğu sonucuna ulaşılmaktadır.
Anahtar Kelime: Investment Optimization Problem in Different Return Measurements Using Genetic Algorithms
Öz: One of the biggest problems encountered by investors and fund managers in modern financial markets is finding a convenient investment combination. This problem framed as a portfolio optimization problem involves selection and optimal allocation of different financial assets to invest. The traditional mean-variance model presented by Harry Markowitz has underlined many models used to resolve portfolio optimization problem. Although there are many instruments in estimating asset returns, expected return of an asset is calculated by arithmetic average in the mean-variance model. Different forecasting techniques instead of arithmetic average should be included in portfolio optimization process. Also, portfolio optimization problems are mostly non-linear, and the applicability of the genetic algorithm to these problems should be investigated since portfolio problem involving restrictions such as investing to maximum certain number of assets is complex. In this paper, a heuristic approach genetic algorithm is applied to the portfolio optimization problem in different return measures by Excel Solver (Evolutionary). Three different return measures based upon; average, Monte Carlo (MC) simulation and forecast returns are used for estimating the returns. It is shown this portfolio optimization problem can be solved by Excel engine if these three techniques are used as the measures of return. Data set obtained from Istanbul Stock market is applied. Along with the three techniques, performances of optimal scenarios which contain various constraints, give different degrees of importance to risk and return, create with scaled objective function, are compared with the coefficient of variation and the values realized at the future periods. Empirical results indicate Monte Carlo technique is more successful than others. The necessity of using a scaled objective function in dual-objective problems is demonstrated. It is concluded use of GA in portfolio optimization problem where scenarios should would be produced have a disadvantage in terms of time.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Acar, E. (2014). Yatırım Projelerinin Değerlendirilmesinde Evrimsel Algoritma Kullanımı Yap İşlet Devret Modeli Altyapı Projesi Üzerine Bir Uygulama (Yayımlanmamış doktora tezi). Anadolu Üniversitesi, Eskişehir.
- Akay, D., Çetinyokuş T. ve Dağdeviren, M. (2002). Portföy Seçimi Problemi İçin KDS/GA Yaklaşımı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 17(4), 125-138. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/76428
- Bağcı, B. (2020). Finansal Yatırım Araçları Fiyatlarının Tahmininde Gri Sistem Teorisi. Üçüncü Sektör Sosyal Ekonomi Dergisi, 55(1), 441-457. doi: 10.15659/3.sektor-sosyal-ekonomi.20.03.1268
- Bağcı, B. ve Demirer, Ö. (2021). Tahminleme Tekniklerinin Bulanık Esnek Kümeler Üzerinde Birleştirilmesi: BIST 100 Uygulaması. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 35(1), 21-43. doi: 10.16951/atauniiibd.637554
- Chang, T.J., Yang, S.C. ve Chang, K.J. (2009). Portfolio Optimization Problems In Different Risk Measures Using Genetic Algorithm. Expert Systems With Applications, 36(7), 10529-10537. http://doi.org/10.1016/j.eswa.2009.02.062
- FrontlineSolvers (2020a). Excel Solver - Algorithms And Methods Used. Erişim adresi: https://www.solver.com/excel-solver-algorithms-andmethods-used
- FrontlineSolvers (2020b). Excel Solver - Evolutionary Solving Method Stopping Conditions. Erişim adresi: https://www.solver.com/excel-solverevolutionary-solving-method-stopping-conditions
- FrontlineSolvers (2020c). Excel Solver - Non-Smooth Optimization. Erişim adresi: https://www.solver.com/excel-solver-non-smooth-optimization
- FrontlineSolvers (2020d). Genetic Algorithms And Evolutionary AlgorithmsIntroduction. Erişim adresi: https://www.solver.com/genetic-evolutionaryintroduction
- Gen, M. ve Cheng, R. (1997). Genetic Algorithms And Engineering Design. USA: John Wiley&Sons, Inc.
- Genel, H. (2004). Genetik Algoritmalarla Portföy Optimizasyonu (Yayımlanmamış yüksek lisans tezi). Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
- Goldberg, D. E. (1989). Genetic Algorithms In Search, Optimization And Machine Learning. Boston: Addison-Wesley Longman Publishing Co.,Inc.
- Holland, J. H. (1975). Adaptation In Natural Artificial Systems (2. bs.). USA, Ann Arbour: The University of Michigan Press.
- Hromkovi, J. (2004). Algorithmics For Hard Problems: Introduction To Combinatorial Optimization, Randomization, Approximation And Heuristics (2. bs.). New York: Springer-Verlag Berlin Heidelberg.
- Huang, X., Liang, C. ve Liu, Z. (2003). Applying On RAGA In Estimating Internal Rate Of Return Of Hydropower Project. Nature and Science, 1(1), 72- 74. Erişim adresi: http://www.sciencepub.net/nature/0101/14-huang.pdf
- Islam, M. (2008). Optimizing Concessionary Items' Values For Procuring Privately Financed Infrastructure Projects (Yayımlanmamış doktora tezi). Griffith Üniversitesi, Avustralya. https://doi.org/10.25904/1912/3173
- Kalaycı, C. B., Ertenlice, O., Akyer, H. ve Aygören, H. (2017). Ortalamavaryans portföy optimizasyonunda genetik algoritma uygulamaları üzerine bir literatür araştırması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 23 (4), 470-476. doi:10.5505/pajes.2017.37132
- Keskintürk, T. (2007). Portföy Seçiminde Markowitz Modeli İçin Yeni Bir Genetik Algoritma Yaklaşımı. Yönetim Dergisi, 18(56), 78-89. Erişim adresi:http://kutuphane.dogus.edu.tr/mvt/pdf.php?pdf=0006252&lng=1
- Keskintürk, T., Demirci, E. ve Tolun, S. (2010). İyi Çeşitlendirilmiş Portföy Büyüklüğünün Genetik Algoritma Tekniği Kullanılarak İncelenmesi. Sosyal Bilimler Dergisi, 2, 1-5. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/100718
- Kshatriya, S. ve Prasanna K. (2018). Genetic Algorithm-Based Portfolio Optimization With Higher Moments İn Global Stock Markets. Journal of Risk, 20(4), 1-26. doi: 10.21314/JOR.2018.380
- Markowitz, H. (1952). Portfolio Selection. Journal of Finance, 7(1), 77-91. http://dx.doi.org/10.1111/j.1540-6261.1952.tb01525.x
- McFedries, P. (2015). Excel 2016 Formulas and Functions, United States: Pearson Education. [Adobe Acrobat Reader Sürümü]. Erişim adresi: https://book.akij.net/eBooks/2018/April/5ae5906655cec/Excel_2016_Formulas _and_Functions.pdf
- Önder, E. (2011). Araç Rotalama Problemlerinin Parçacık Sürü Ve Genetik Algoritma İle Optimizasyonu (Yayımlanmamış doktora tezi). İstanbul Üniversitesi, İstanbul.
- Özmen, A., Şıklar E., Durucasu H., Atlas, M. ve Er, F. (2013). İstatistik II (Ed. E. Şıklar ve A. Özdemir). Ankara: Anadolu Üniversitesi Yayınları.
- Rubinstein, R. Y. ve Kroese, D. P. (2016). Simulation and the Monte Carlo Method. New York: John Wiley & Sons, Inc.
- Sasaki, M., Laamrani, M., Yamashiro, M., Alehegn C. ve Kamoyedji, A. (2018). Portfolio Optimization By Fuzzy Interactive Genetic Algorithm. Journal of Advanced Management Science, 6(3), 124-131. doi: 10.18178/joams.6.3.124-131
- Schaffer, J.D., Caruana, R.A., Eshelman, L.J. ve Das, R. (1989). A Study Of Control Parameters Affecting Online Performance Of Genetic Algorithms For Function Optimization. J.D. Schaffer (Ed.), Proceedings Of The Third International Conference On Genetic Algorithms (s. 51-60) içinde. USA: George Mason University.
- Siriwardene, N.R. ve Perera, B.J.C. (2006). Selection Of Genetic Algorithm Operators For Urban Drainage Model Parameter Optimization. Mathematical and Computer Modelling, 44(5-6), 415-429. doi.org/10.1016/j.mcm.2006.01.002
- Supian S., Napitupulu, H., Hidayat, Y. ve Putra, A.S. (2018). The Application Of Genetic Algorithm Optimization On Quadratic Investment Portfolio
- Without A Risk-Free Asset Under Value-at-Risk. IOP Conf. Series: Journal of Physics: Conf. Series, 1090 (012026), 1-8. doi:10.1088/1742-6596/1090/1/012026
- Taha, H.A. (2000). Yöneylem Araştırması (6. bs.). (Çev: Ş.A. Baray ve Ş. Esnaf). İstanbul: Literatür Yayıncılık.
- Vasiani V.D., Handari B.D. ve Hertono G.F. (2020). Stock Portfolio Optimization Using Priority Index And Genetic Algorithm. Journal of Physics:Conference Series, 1442-1, (012031). https://doi.org/10.1088/1742- 6596/1442/1/012031
- Wright, A.H. (1991). Genetic Algorithm For Real Parameter Optimization. G.J.E. Rawlings (Ed.), In foundations of genetic algorithms (s. 205-218) içinde. CA: Morgan Kaufmann Publishers. Erişim adresi: https://randolfe.typepad.com/Documents/wright91genetic.pdf
- Yakut, E. ve Çankal, A. (2016). Çok Amaçlı Genetik Algoritma Ve Hedef Programlama Metotlarını Kullanarak Hisse Senedi Portföy Optimizasyonu: BİST-30'da Bir Uygulama. Business And Economics Research Journal, 7(2), 43- 62. doi: 10.20409/berj.2016217495
- Zeren, F. ve Bayğın, M. (2015). Genetik Algoritmalar İle Optimal Portföy Seçimi: BİST-30 örneği. Journal of Business Research Turk, 7(1), 309-324. Erişim adresi:https://www.isarder.org/isardercom/2015vol7issue1/- vol.7_issue.1_article016_full_text.pdf
APA | ACAR E (2021). Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. , 266 - 288. |
Chicago | ACAR ELIF Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. (2021): 266 - 288. |
MLA | ACAR ELIF Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. , 2021, ss.266 - 288. |
AMA | ACAR E Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. . 2021; 266 - 288. |
Vancouver | ACAR E Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. . 2021; 266 - 288. |
IEEE | ACAR E "Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi." , ss.266 - 288, 2021. |
ISNAD | ACAR, ELIF. "Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi". (2021), 266-288. |
APA | ACAR E (2021). Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 10(1), 266 - 288. |
Chicago | ACAR ELIF Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi 10, no.1 (2021): 266 - 288. |
MLA | ACAR ELIF Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, vol.10, no.1, 2021, ss.266 - 288. |
AMA | ACAR E Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi. 2021; 10(1): 266 - 288. |
Vancouver | ACAR E Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi. 2021; 10(1): 266 - 288. |
IEEE | ACAR E "Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi." İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 10, ss.266 - 288, 2021. |
ISNAD | ACAR, ELIF. "Genetik Algoritma Kullanımı ile Farklı Getiri Ölçümlerindeki Yatırım Optimizasyonu Problemi". İnsan ve Toplum Bilimleri Araştırmaları Dergisi 10/1 (2021), 266-288. |