DOI: https://doi.org/10.1007/s00521-024-09456-w
تاريخ النشر: 2024-02-19
المؤلف: Alfonso Guarino وآخرون
الموضوع الرئيسي: المخاطر وتحسين المحفظة الاستثمارية
نظرة عامة
تقدم ورقة البحث EvoFolio، وهي طريقة جديدة لاختيار المحفظة المثلى باستخدام الخوارزميات التطورية متعددة الأهداف، وتحديداً خوارزمية الفرز الجيني غير المهيمن-II (NSGA-II). تهدف هذه الطريقة إلى تعظيم العوائد وتقليل المخاطر في الوقت نفسه، مما يعالج التحدي الطويل الأمد في تحسين المحفظة. يسمح EvoFolio بتفاعل المستخدم، مما يمكّن المستثمرين من دمج تفضيلاتهم في الخوارزمية، وبالتالي تعزيز جاذبية المحفظة. تم اختبار الطريقة على مجموعات بيانات الأسهم من 2020 إلى 2022، مما أظهر تقليلاً كبيراً في مخاطر المحفظة—بمتوسط 0.07% للتحسينات الشهرية و4% للتحسينات الفصلية—مع تحقيق عوائد تنافسية.
تختتم الورقة بخطط لتحسينات مستقبلية، بما في ذلك تطوير تطبيق سهل الاستخدام عبر المنصات يدمج قدرات EvoFolio. يهدف هذا التطبيق إلى تسهيل تشكيل المحفظة وتحسينها في الوقت الحقيقي، مع دمج تكاليف المعاملات وآليات القروض المحتملة لتعظيم العوائد الصافية. يؤكد المؤلفون على أهمية التصميم الموجه نحو المستخدم في عملية التطوير، بهدف جعل EvoFolio متاحاً لجمهور أوسع، بما في ذلك الاقتصاديين، والخبراء الماليين، والمستثمرين الأفراد. الهدف النهائي هو إنشاء أداة عملية تمكّن المستخدمين من تنفيذ استراتيجيات المحفظة مباشرة من خلال مؤسساتهم المالية.
مقدمة
تناقش مقدمة ورقة البحث هذه النظريات الأساسية لتحسين المحفظة، مع التركيز بشكل أساسي على اختيار محفظة ماركويتز وتوسعاتها، بما في ذلك نموذج تسعير الأصول الرأسمالية (CAPM) ونظرية تسعير المراجحة (APT). يركز إطار عمل ماركويتز على تحسين المتوسط-التباين، حيث يسعى المستثمرون إلى تعظيم العوائد المتوقعة مع تقليل المخاطر من خلال التنويع. يقوم نموذج CAPM بتحسين ذلك من خلال تقديم أصل خالي من المخاطر وعامل مخاطر نظامي، مما يسمح بعلاقة أوضح بين المخاطر والعوائد. توسع APT هذه المفاهيم من خلال دمج عوامل المخاطر الاقتصادية الكلية المتعددة في تقييم عوائد الأصول.
تقدم الورقة EvoFolio، وهي طريقة جديدة لتحسين المحفظة تستخدم الخوارزميات التطورية متعددة الأهداف (MOEAs)، وتحديداً خوارزمية الفرز الجيني غير المهيمن (NSGA-II). تهدف EvoFolio إلى تحسين المحافظ ديناميكياً من خلال تحقيق توازن بين تعظيم العائد وتقليل المخاطر مع دمج تفضيلات المستخدم. تم تصميم الطريقة لتتكيف مع تقلبات السوق وتم اختبارها على مجموعة بيانات تضم 47 سهمًا عبر قطاعات مختلفة خلال أحداث سوقية هامة، مثل جائحة COVID-19. تشير النتائج إلى أن EvoFolio لا تعزز فقط أداء المحفظة ولكنها أيضاً تقلل المخاطر بشكل فعال، خاصة عند دمج رؤى المستخدمين في عملية التحسين.
الطرق
في هذا القسم، يصف المؤلفون الطرق والإعدادات المستخدمة في بحثهم حول EvoFolio، الذي تم تنفيذه باستخدام مكتبة Python DEAP. تم إجراء سلسلة من التجارب لتحديد التكوين الأمثل لـ EvoFolio، باستخدام ثلاث فئات من المشغلين: مشغلون قياسيون لـ NSGA-II، مشغلون مقترحون من DEAP، ومشغلون مخصصون. تضمنت المشغلون القياسيون دالة طفرات عشوائية موحدة (المشار إليها بـ \texttt{mutUniformInt}) ودالة تقاطع نقطتين (المشار إليها بـ \texttt{cxTwoPoints}). تضمنت المشغلون المقترحون من DEAP طفرات متعددة الحدود (المشار إليها بـ \texttt{mutPolynomialBounded}) وتقاطع ثنائي محاكى (المشار إليه بـ \texttt{cxSimulatedBinaryBounded}).
تم تنفيذ تحسين المعلمات على مدى ستة أشهر، مع تطبيق نهج البحث الشبكي على معلمات الخوارزمية المختلفة. أظهرت النتائج الرئيسية أن الحجم الأمثل للسكان كان 250، مع احتمال تقاطع (\(CXPB\)) بنسبة 80% واحتمال طفرة (\(indpb\)) بنسبة 2%. بينما اختلف العدد المثالي للأجيال، كانت 250 جيلاً غالباً ما تكون مثالية. تم تحديد المعلمات SELPARAM وELI-TEPARAM وTOURNPARAM لتكون 80% و30% و90%، على التوالي. تم تحقيق أفضل المحافظ باستخدام المشغلين المذكورين سابقاً، وتحديداً الخوارزميات 3-4 بالتزامن مع الخوارزمية 5. تم إجراء جميع التجارب على جهاز Intel i7 رباعي النواة مع 16 جيجابايت من ذاكرة الوصول العشوائي.
النتائج
في هذا القسم، يقدم المؤلفون نتائج اختبار طريقة EvoFolio على مجموعة محددة مسبقاً من الأسهم، كما هو موضح في الجدول 1. تهدف الطريقة إلى تحديد التركيبة المثلى للمحفظة بناءً على الأهداف المحددة، التي تم تقييمها على مدى فترتين زمنيتين: شهرية (القسم 5.1) وفصلية (القسم 5.2). تم إجراء التجارب مع اختيار ثابت للأسهم، مما يسمح بالتعبير عن التفضيلات بشكل دوري، مع الحفاظ على اختيار ثابت طوال مرحلة الاختبار. يهدف هذا النهج إلى إظهار الفعالية المحتملة للطريقة عندما يتم تقديم آراء دقيقة.
تم تحديد الميزانية الأولية للتجارب بمبلغ 1,000,000 دولار. يستخدم EvoFolio تحسينات تدريجية على مر الزمن، مع التركيز على قيمة المحفظة الأعلى تصنيفاً ضمن جبهة باريتو. تعزز هذه الاستراتيجية التطبيق العملي لـ EvoFolio، حيث تسمح للمستثمرين بتعديل محافظهم باستخدام فقط عائدات بيع الأصول الحالية، مما يتجنب الاقتراض الخارجي. تعمل الخوارزمية على فرضية عدم وجود تكاليف معاملات، مع التركيز بشكل خاص على بيع الأسهم لإعادة الاستثمار، مما يتماشى مع تفضيلات المستثمرين في الأدبيات.
المناقشة
في هذا القسم، يبرز المؤلفون المساهمات الرئيسية لبحثهم، مع التركيز على تقديم EvoFolio، وهي طريقة جديدة لتحسين المحفظة تعتمد على خوارزمية NSGA-II. تهدف EvoFolio إلى تعظيم العائد مع تقليل المخاطر، كما هو محدد في نموذج ماركويتز. من الجدير بالذكر أنها تسمح للمستخدمين بالتعبير عن آرائهم في السوق، مما يتماشى مع منظور الذكاء الاصطناعي الموجه نحو الإنسان، الذي يركز على تمكين المستخدمين بدلاً من استبدالهم. تم اختبار الطريقة خلال فترات من التقلبات الكبيرة في السوق، وتحديداً جائحة COVID-19 وصراع روسيا وأوكرانيا، مما يظهر قدرتها على تحقيق عوائد واعدة بالدولار الأمريكي بينما تتفوق على المحافظ التي أنشأتها إطار عمل FinRL في سيناريوهات مختلفة. هذه واحدة من أولى الدراسات التي تقدم مثل هذا التحليل المقارن لطرق تحسين المحفظة.
كما يحدد المؤلفون هيكل الورقة، موضحين الأقسام التي تغطي المفاهيم الأساسية للخوارزميات التطورية متعددة الأهداف (MOEAs)، ومراجعة الأدبيات، والاقتراح والتفاصيل التجريبية، والنتائج، ومناقشة نتائجهم. يؤكدون على الجوانب الفريدة لـ EvoFolio، بما في ذلك قدراتها على تعديل المحفظة ديناميكياً، وتفاعل المستخدم من خلال النخبوية، والامتثال لقيود الميزانية، مما يعالج الفجوات في الأدبيات الحالية حيث تفتقر العديد من الطرق إلى مشاركة المستخدم وإمكانية التكرار. يختتم المؤلفون بالقول إن EvoFolio لا يملأ هذه الفجوات فحسب، بل يوفر أيضاً إطاراً قوياً لتحسين المحفظة يكون قابلاً للتطبيق وقابلاً للتكيف مع تفضيلات المستخدمين.
DOI: https://doi.org/10.1007/s00521-024-09456-w
Publication Date: 2024-02-19
Author(s): Alfonso Guarino et al.
Primary Topic: Risk and Portfolio Optimization
Overview
The research paper presents EvoFolio, a novel method for optimal portfolio selection utilizing Multi-Objective Evolutionary Algorithms, specifically the Nondominated Sorting Genetic Algorithm-II (NSGA-II). This approach aims to simultaneously maximize returns and minimize risk, addressing the longstanding challenge of portfolio optimization. EvoFolio allows user interaction, enabling investors to incorporate their preferences into the algorithm, thereby enhancing the portfolio’s attractiveness. The method was tested on stock datasets from 2020 to 2022, demonstrating a significant reduction in portfolio risk—averaging 0.07% for monthly optimizations and 4% for quarterly optimizations—while achieving competitive returns.
The paper concludes with plans for future enhancements, including the development of a user-friendly cross-platform application that integrates EvoFolio’s capabilities. This application aims to facilitate real-time portfolio formation and optimization, incorporating transaction costs and potential loan mechanisms to maximize net returns. The authors emphasize the importance of user-centered design in the development process, aiming to make EvoFolio accessible to a broader audience, including economists, financial experts, and individual investors. The ultimate goal is to create a practical tool that enables users to execute portfolio strategies directly through their financial institutions.
Introduction
The introduction of this research paper discusses the foundational theories of portfolio optimization, primarily focusing on Markowitz’s Portfolio Selection and its extensions, including the Capital Asset Pricing Model (CAPM) and the Arbitrage Pricing Theory (APT). Markowitz’s framework emphasizes mean-variance optimization, where investors aim to maximize expected returns while minimizing risk through diversification. The CAPM further refines this by introducing a risk-free asset and a systematic risk factor, allowing for a clearer relationship between risk and return. APT expands on these concepts by incorporating multiple macroeconomic risk factors into the return evaluation of assets.
The paper presents EvoFolio, a novel portfolio optimization method utilizing Multi-Objective Evolutionary Algorithms (MOEAs), specifically the Nondominated Sorting Genetic Algorithm (NSGA-II). EvoFolio aims to dynamically optimize portfolios by balancing yield maximization and risk minimization while incorporating user preferences. The method is designed to adapt to market fluctuations and has been tested on a dataset of 47 stocks across various sectors during significant market events, such as the COVID-19 pandemic. The results indicate that EvoFolio not only enhances portfolio performance but also effectively reduces risk, particularly when integrating user insights into the optimization process.
Methods
In this section, the authors describe the methods and settings employed in their research on EvoFolio, which was implemented using the Python DEAP library. A series of experiments were conducted to identify the optimal configuration for EvoFolio, utilizing three categories of operators: standard operators for NSGA-II, DEAP-suggested operators, and customized operators. The standard operators included a random uniform mutation function (denoted as \texttt{mutUniformInt}) and a two-point crossover function (denoted as \texttt{cxTwoPoints}). The DEAP-suggested operators comprised polynomial mutation (denoted as \texttt{mutPolynomialBounded}) and simulated binary crossover (denoted as \texttt{cxSimulatedBinaryBounded}).
The parameter optimization was performed over a six-month period, with a grid search approach applied to various algorithm parameters. Key findings indicated that the optimal population size was 250, with a crossover probability (\(CXPB\)) of 80% and a mutation probability (\(indpb\)) of 2%. While the ideal number of generations varied, 250 generations were frequently optimal. The parameters SELPARAM, ELI-TEPARAM, and TOURNPARAM were determined to be 80%, 30%, and 90%, respectively. The best-performing portfolios were achieved using the previously mentioned operators, specifically Algorithms 3-4 in conjunction with Algorithm 5. All experiments were conducted on an Intel i7 quad-core machine with 16GB of RAM.
Results
In this section, the authors present the results of testing the EvoFolio method on a predefined set of stocks, as detailed in Table 1. The method aims to determine the optimal portfolio composition based on specified objectives, evaluated over two timeframes: monthly (Section 5.1) and quarterly (Section 5.2). The experiments were conducted with a fixed selection of stocks, allowing preferences to be expressed periodically, yet maintaining a constant choice throughout the testing phase. This approach is intended to demonstrate the method’s potential effectiveness when accurate views are provided.
The initial budget for the experiments was set at $1,000,000. EvoFolio employs incremental optimizations over time, focusing on the value of the highest-ranked portfolio within the Pareto Front. This strategy enhances the practical applicability of EvoFolio, as it allows investors to adjust their portfolios using only the proceeds from the sale of existing assets, thereby avoiding external borrowing. The algorithm operates under the assumption of no transaction costs, particularly emphasizing the sale of stocks for reinvestment, which aligns with investor preferences in the literature.
Discussion
In this section, the authors highlight the key contributions of their research, focusing on the introduction of EvoFolio, a novel portfolio optimization method based on the NSGA-II algorithm. EvoFolio aims to maximize yield while minimizing risk, as defined by the Markowitz model. Notably, it allows users to express their market views, aligning with the Human-Centered AI perspective, which emphasizes empowering users rather than replacing them. The method was tested during periods of significant market volatility, specifically the COVID-19 pandemic and the Russia-Ukraine conflict, demonstrating its ability to generate promising returns in USD while outperforming portfolios created by the FinRL framework in various scenarios. This is one of the first studies to provide such a comparative analysis of portfolio optimization methods.
The authors also outline the structure of the paper, detailing sections that cover the foundational concepts of multi-objective evolutionary algorithms (MOEAs), a literature review, the proposal and experimental details, results, and a discussion of their findings. They emphasize the unique aspects of EvoFolio, including its dynamic portfolio adjustment capabilities, user interaction through elitism, and adherence to budget constraints, addressing gaps in existing literature where many methods lack user engagement and reproducibility. The authors conclude by asserting that EvoFolio not only fills these gaps but also provides a robust framework for portfolio optimization that is both feasible and adaptable to user preferences.