Buscar en
Investigaciones Europeas de Dirección y Economía de la Empresa
Toda la web
Inicio Investigaciones Europeas de Dirección y Economía de la Empresa A naïve approach to speed up portfolio optimization problem using a multiobject...
Información de la revista
Vol. 18. Núm. 2.
Páginas 126-131 (Mayo 2012)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Vol. 18. Núm. 2.
Páginas 126-131 (Mayo 2012)
DOI: 10.1016/S1135-2523(12)70002-3
Open Access
A naïve approach to speed up portfolio optimization problem using a multiobjective genetic algorithm
Una aproximación ingenua para acelerar el programa de optimización de carteras usando un algoritmo genético multiobjetivo
Visitas
...
J. Samuel Baixauli-Solera,??
Autor para correspondencia
sbaixaul@um.es

Corresponding author.
, Eva Alfaro-Cidb, Matilde O. Fernandez-Blancoc
a Departamento de Organización de Empresas y Finanzas, Universidad de Murcia, 30100 Murcia, Spain
b Instituto Tecnológico de Informática, Camino de Vera s/n, 46022 Valencia, Spain
c Departamento de Finanzas Empresariales, Universidad de Valencia, Avda. Tarongers s/n, 46022 Valencia, Spain
Información del artículo
Resumen
Bibliografía
Descargar PDF
Estadísticas
Abstract

Genetic algorithms (GAs) are appropriate when investors have the objective of obtaining mean-variance (VaR) efficient frontier as minimising VaR leads to non-convex and non-differential risk-return optimisation problems. However GAs are a time-consuming optimisation technique. In this paper, we propose to use a naïve approach consisting of using samples split by quartile of risk to obtain complete efficient frontiers in a reasonable computation time. Our results show that using reduced problems which only consider a quartile of the assets allow us to explore the efficient frontier for a large range of risk values. In particular, the third quartile allows us to obtain efficient frontiers from the 1.8% to 2.5% level of VaR quickly, while that of the first quartile of assets is from 1% to 1.3% level of VaR.

Keywords:
Efficient portfolio
Genetic algorithm
Value-at-Risk
Resumen

Los algoritmos genéticos son apropiados cuando los inversores tienen el propósito de obtener la frontera eficiente media-VaR, ya que minimizar el VaR ocasiona que el problema de optimización rentabilidad-riesgo no sea ni convexo ni diferencial. Sin embargo, los algoritmos genéticos son una técnica de optimización que exige mucho tiempo de computación. En este artículo proponemos usar una aproximación naïve, consistente en dividir la muestra por cuartiles de riesgo para obtener la frontera eficiente en un tiempo razonable. Nuestros resultados muestran que usando problemas reducidos que sólo consideran un cuartil de los activos podemos explorar la frontera eficiente para un mayor número de niveles de riesgo. Concretamente, la muestra del tercer cuartil permite obtener rápidamente fronteras eficientes con un VaR entre el 1,8 y el 2,5%, mientras que el primer cuartil permite obtener las carteras eficientes con niveles de VaR entre el 1 y el 1,3%.

Palabras clave:
Cartera eficiente
Algoritmo genético
Valor en riesgo
El Texto completo está disponible en PDF
References
[Alfaro-Cid et al., 2011]
E. Alfaro-Cid, J.S. Baixauli-Soler, M.O. Fernandez-Blanco.
Minimizing Value-at-Risk in a portfolio optimization problem using a multiobjective genetic algorithm.
International Journal of Risk Assessment and Management, 15 (2011), pp. 453-477
[Anagnostopoulos and Mamanis, 2009]
K.P. Anagnostopoulos, G. Mamanis.
Finding the efficient frontier for a mixed integer portfolio choice problem using a multiobjective algorithm.
iBusiness, 1 (2009), pp. 99-105
[Anagnostopoulos and Mamanis, 2010]
K.P Anagnostopoulos, G. Mamanis.
Using multiobjective algorithms to solve the discrete mean-variance portfolio selection.
International Journal of Economics and Finance, 2 (2010), pp. 152-162
[Baixauli-Soler et al., 2010]
J.S. Baixauli-Soler, E. Alfaro-Cid, M.O. Fernandez-Blanco.
Several risk measures in portfolio selection: Is it worthwhile?.
Spanish Journal of Finance and Accounting, 39 (2010), pp. 421-444
[Baixauli-Soler et al., 2011]
J.S. Baixauli-Soler, E. Alfaro-Cid, M.O. Fernandez-Blanco.
Mean-VaR portfolio under real constrains.
Computational Economics, 37 (2011), pp. 113-131
[Duffie and Pan, 1997]
D. Duffie, J. Pan.
An overview of value-at-risk.
Journal of derivatives, 4 (1997), pp. 7-49
[Gaivoronski and Pflug, 2005]
A.A. Gaivoronski, G. Pflug.
Value-at-risk in portfolio optimization: properties and computational approach.
Journal of Risk, 7 (2005), pp. 1-31
[Gilli et al., 2006]
M. Gilli, E. Këllezi, H. Hysi.
A data-driven optimization heuristic for downside risk minimization.
Journal of Risk, 8 (2006), pp. 1-18
[Jorion, 1996]
P. Jorion.
Value at risk: a new benchmark for measuring derivatives risk.
McGraw-Hill, (1996),
[Lim et al., 2010]
C. Lim, H.D. Sherali, S. Uryasev.
Portfolio optimization by minimizing conditional value-at-risk via nondifferentiable optimization.
Computational Optimization and Applications, 46 (2010), pp. 391-415
[Lin and Liu, 2008]
C.C. Lin, Y.T. Liu.
Genetic algorithms for portfolio problems with minimum transaction lots.
European Journal of Operational Research, 185 (2008), pp. 393-404
[Ong et al., 2005]
C.-S. Ong, J.-J. Huang, G.-H. Tzeng.
A novel hybrid model for portfolio selection.
Applied Mathematics and Computation, 169 (2005), pp. 1195-1210
[Rockafellar and Uryasev, 2000]
R.T. Rockafellar, S. Uryasev.
Optimization of conditional value-at-risk.
Journal of Risk, 2 (2000), pp. 21-41
[Rockafellar and Uryasev, 2002]
R.T. Rockafellar, S. Uryasev.
Conditional value-at-risk for general loss distributions.
Journal of Banking and Finance, 26 (2002), pp. 1443-1471
[Subbu et al., 2005]
R. Subbu, P.P. Bonissone, N. Eklund, S. Bollapragadaa, K. Chalermkraivuth.
Multiobjective financial portfolio design: A hybrid evolutionary approach.
Proceedings of the 2005 IEEE Congress on Evolutionary Computation, pp. 1722-1729
[Yang, 2006]
X. Yang.
Improving portfolio efficiency: a genetic algorithm approach.
Computational Economics, 28 (2006), pp. 1-14
[Zitzler et al., 2001]
E. Zitzler, M. Laumanns, L. Thiele.
SPEA2: Improving the Strength Pareto Evolutionary Algorithm.
Technical Report 103, Swiss Federal Institute of Technology,
Copyright © 2012. AEDEM
Opciones de artículo
Herramientas
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos

es en pt
Política de cookies Cookies policy Política de cookies
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here. Utilizamos cookies próprios e de terceiros para melhorar nossos serviços e mostrar publicidade relacionada às suas preferências, analisando seus hábitos de navegação. Se continuar a navegar, consideramos que aceita o seu uso. Você pode alterar a configuração ou obter mais informações aqui.