Journals / Yaşar Üniversitesi E-Dergisi / 2019 / Cilt: 14 - Sayı: 53

Portfoy Optimization by using Partical Swarm Algorithm: An Implementation with Transportation Sector Shares in Borsa Istanbul 30

Parçacık Sürü Optimizasyonu ile Portföy Optimizasyonu: Borsa İstanbul Ulaştırma Sektörü Hisseleri Üzerine Bir Uygulama

Pages
126–136
Publication Date
2019-03-27
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen sonuçlar PSO yönteminin genellikle daha optimum sonucu verdiğini göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Optimizasyon, istenen faktörleri en üst düzeye çıkarıp, istenmeyenleri minimize ederek, verilen kısıtlar altında en uygun maliyetli ya da en yüksek performansa sahip çözümü bulmaktır.
📊
Key Findings & Data:Bir anlamda optimizasyon bir şeyin daha iyisini gerçekleştirme sürecidir.
💡
Conclusion & Impact:Elde edilen sonuçlar PSO yönteminin genellikle daha optimum sonucu verdiğini göstermiştir.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:Parçacık Sürü Optimizasyonu · Portföy optimizasyonu

Özet

Optimizasyon, istenen faktörleri en üst düzeye çıkarıp, istenmeyenleri minimize ederek, verilen kısıtlar altında en uygun maliyetli ya da en yüksek performansa sahip çözümü bulmaktır. Bir anlamda optimizasyon bir şeyin daha iyisini gerçekleştirme sürecidir. Doğal olaylara dayalı optimizasyon algoritmaları olan sezgisel algoritmalar, basit ve kolay uygulanabilen algoritmalardır. Modern finansta portföy optimizasyon problemlerinin çözümü önemli çalışma alanlarından biridir. Portföy optimizasyon problemi, belirli beklenti ve kısıtlar altında, tüm finansal varlıklar içinden en uygun olan alternatifin seçilmesine ilişkin çözüm arayışıdır. Portföy optimizasyon problemlerinde varlık havuzundan belirli bir risk düzeyinde en iyi getiriyi veren ya da belirli bir getiri düzeyinde en düşük riski veren varlıklar seçerek portföyler oluşturmak hedeflenmektedir. Bu çalışmanın amacı, Borsa İstanbul’da işlem gören ulaştırma sektörü hisse senetleri için, sezgisel algoritmalardan önemli biri olan Parçacık Sürü Optimizasyonu (PSO) algoritması kullanılarak minimum risk taşıyan optimum portföyü araştırmaktır. Bu amaçla çalışmada PSO Algoritması anlatılarak ilgili literatür taraması yapılmıştır. PSO’nun portföy optimizasyonu uygulaması için Borsa İstanbul’da işlem gören Ulaştırma Sektörü hisseleri ele alınmıştır. Ele alınan bu hisse senetlerinin kodları BEYAZ; CLEBİ, DOCO, GSDDE, PGSUS, RYSAS ve THYAO şeklinde olup, bu hisse sentlerinin fiyat verileri kullanılmaktadır. İlgili hisse senetleri için son üç yıllık günlük fiyat hareketlerinden logaritmik getiriler hesaplanmıştır. Bu getiriler kullanılarak minimum risk elde edilecek optimum portföy PSO ve Doğrusal Olmayan GRG teknikleri ile oluşturulmuştur. Elde edilen sonuçlar PSO yönteminin genellikle daha optimum sonucu verdiğini göstermiştir.

🔖

Cite This Article

MERCANGÖZ, B. A. (2019). Portfoy Optimization by using Partical Swarm Algorithm: An Implementation with Transportation Sector Shares in Borsa Istanbul 30. Yaşar Üniversitesi E-Dergisi, Cilt: 14 - Sayı: 53, 126–136. https://ajindex.com/articles/193710

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Akyer, H., Kalaycı, C.B., Aygören, H. 2018. Ortalama-Varyans Portföy Optimizasyonu için Parçacık Sürü Optimizasyonu Algoritması: Bir Borsa İstanbul Uygulaması, Pamukkale Üni. Müh. Bilim Dergisi, 24(1), 124-129.
  2. Akyol, S., Alataş, B. 2012. Güncel Sürü Zekâsı Optimizasyon Algoritmaları, Nevşehir Üniversitesi Fen Bilimleri Enstitü Dergisi 1 (2012) 36-50, s.38. Chang, T.J., Meade, N., Beasley, J.E., & Sharaiha, Y. M. 2000. Heuristics Forcardinality Constrained Portfolio Optimisation. Computers & Operations Research, 27, ss. 1271–1302.
  3. Chen, W., Zhang, R.T., Cai, Y.M., Xu F.S. 2006. Particle Swarm Optimization for Constrained Portfolio Selection Problems. In: Proceedings of the Fifth International Conference on Machine Learning and Cybernetics, Dalian, 2006, pp. 2425–2429.
  4. Crama, Y., Schyns, M. 2003. Simulated Annealing for Complex Portfolio Selection Problems. European Journal of Operational Research, 150, ss. 546– 571. Cura T. (2009). Particle Swarm Optimization Approach to Portfolio Optimization. Nonlinear Analysis: Real World Applications, 10 (4), ss. 2396-2406.
  5. Demirtaş, Ö., Güngör, Z. 2004. Portföy Yönetimi ve Portföy Seçimine Yönelik Uygulama, Havacılık ve Uzay Teknolojileri Dergisi, yıl: 1, sayı: 4, s. 103-109.
  6. Derıgs, U., Nıckel, N.H. 2004. On a local-search heuristic for a class of tracking error minimization problems in portfolio management. Annals of Operations Research, 131, ss. 45–77.
  7. Doerner, K., Gutjahr, W.J., Hartl, R.F., Strauss C., Stummer, C. 2004. Pareto Ant Colony Optimization: A Metaheuristic Approach to Multiobjective Portfolio Selection, Annals of Operations Research, 131, ss. 79-99.
  8. Feldman, K., Treleaven, P. 1994.
  9. Intelligent Systems in Finance, Applied Mathematical Finance, Vol 1, No. 2, December, s. 195-207.
  10. Fernandez, A., Gomez, S. 2007. Portfolio Selection Using Neural Networks. Computers & Operations Research, 34, ss. 1177–1191.
  11. Goldberg, D.E. 1989.
  12. Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Reading, MA. Gökçe, G. A., Cura, T. 2003. İMKB Hisse Senedi Piyasalarında İyi Çeşitlendirilmiş Portföy Büyüklüğünün Araştırılması, Yönetim, yıl: 14, sayı: 44, Şubat, s. 63-81
  13. Lai, K. K., Yu, L., Wang, S. ve Zhou, C. 2006. A Double-Stage Genetic Optimization Algorithm for Portfolio Selection, Lecture Notes in Computer Science vol: 42, no: 34, pp. 928-937.
  14. Lin, C. C. ve Liu, Y. T. 2008. Genetic Algorithms for Portfolio Selection Problems with Minimum Transaction Lots, European Journal of Operational Resear