A naïve approach to speed up portfolio optimization problem using a multiobjective genetic algoritm

  1. Baixauli Soler, Juan Samuel
  2. Alfaro Cid, Eva
  3. Fernández Blanco, Matilde Olvido
Revista:
Investigaciones europeas de dirección y economía de la empresa

ISSN: 1135-2523

Año de publicación: 2012

Volumen: 18

Número: 2

Páginas: 126-131

Tipo: Artículo

DOI: 10.1016/S1135-2523(12)70002-3 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Investigaciones europeas de dirección y economía de la empresa

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%.

Referencias bibliográficas

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