Heuristic algorithms strengthen res

Heuristic algorithms strengthen researchers to solve more complex and combinatorial problems in a rea- sonable time. Markowitz’s Mean-Variance portfolio selection model is one of those aforesaid problems. Actually, Markowitz’s model is a nonlinear (quadratic) programming problem which has been solved by a variety of heuristic and non-heuristic techniques. In this paper a portfolio selection model which is based on Markowitz’s portfolio selection problem including three of the most important limitations is considered. The results can lead Markowitz’s model to a more practical one. Minimum transaction lots, cardinality constraints (both of which have been presented before in other researches) and market (sec- tor) capitalization (which is proposed in this research for the first time as a constraint for Markowitz model), are considered in extended model. No study has ever proposed and solved this expanded model. To solve this mixed-integer nonlinear programming (NP-Hard), a corresponding genetic algorithm (GA) is utilized. Computational study is performed in two main parts; first, verifying and validating proposed GA and second, studying the applicability of presented model using large scale problems.

ผลลัพธ์ (ไทย) 1:

อัลกอริธึมการศึกษาสำนึกช่วยให้นักวิจัยสามารถแก้ไขปัญหาที่ซับซ้อนและซับซ้อนมากขึ้นได้ในเวลาอันสมควร รูปแบบการเลือกพอร์ตโฟลิโอ Mean-Variance ของ Markowitz เป็นหนึ่งในปัญหาดังกล่าว จริงๆ แล้ว แบบจำลองของ Markowitz คือปัญหาการเขียนโปรแกรมแบบไม่เชิงเส้น (กำลังสอง) ซึ่งได้รับการแก้ไขโดยเทคนิคการศึกษาสำนึกและไม่ใช่การวิเคราะห์พฤติกรรมที่หลากหลาย ในบทความนี้จะพิจารณารูปแบบการเลือกพอร์ตโฟลิโอซึ่งขึ้นอยู่กับปัญหาในการเลือกพอร์ตโฟลิโอของ Markowitz รวมถึงข้อจำกัดที่สำคัญที่สุดสามประการ ผลลัพธ์ที่ได้สามารถนำแบบจำลองของ Markowitz ไปสู่การปฏิบัติจริงได้มากขึ้น จำนวนธุรกรรมขั้นต่ำ ข้อจำกัดเชิงจำนวนนับ (ทั้งสองข้อถูกนำเสนอก่อนหน้านี้ในงานวิจัยอื่น) และมูลค่าตลาด (ภาคส่วน) (ซึ่งเสนอในการวิจัยนี้เป็นครั้งแรกในฐานะข้อจำกัดสำหรับแบบจำลอง Markowitz) ได้รับการพิจารณาในรูปแบบขยาย . ไม่เคยมีการศึกษาใดเสนอและแก้ไขแบบจำลองที่ขยายนี้ เพื่อแก้ปัญหาการเขียนโปรแกรมแบบไม่เชิงเส้นจำนวนเต็มผสม (NP-Hard) นี้ จึงมีการใช้อัลกอริธึมทางพันธุกรรม (GA) ที่สอดคล้องกัน การศึกษาเชิงคำนวณดำเนินการในสองส่วนหลัก ขั้นแรก ตรวจสอบและตรวจสอบความถูกต้องของ GA ที่เสนอ และประการที่สอง ศึกษาการบังคับใช้แบบจำลองที่นำเสนอโดยใช้ปัญหาขนาดใหญ่

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมแบบฮิวริสติกช่วยให้นักวิจัยสามารถแก้ปัญหาการรวมกันที่ซับซ้อนมากขึ้นในเวลาที่เหมาะสม รูปแบบการเลือกพอร์ตโฟลิโอความแปรปรวนเฉลี่ยของ Markowitz เป็นหนึ่งในปัญหาข้างต้น ในความเป็นจริงแบบจำลอง Markowitz เป็นปัญหาของการวางแผนที่ไม่ใช่เชิงเส้น (รอง) ซึ่งได้รับการแก้ไขผ่านเทคโนโลยีฮิสทีเรียลและที่ไม่ใช่ฮิสทีเรียลต่างๆ บทความนี้พิจารณารูปแบบการเลือกพอร์ตโฟลิโอตามประเด็นการเลือกพอร์ตโฟลิโอของ Markowitz ซึ่งประกอบด้วยข้อ จำกัด ที่สำคัญที่สุดสามประการ ผลลัพธ์เหล่านี้สามารถนําโมเดลของ Markowitz ไปสู่โมเดลที่ใช้งานได้จริงมากขึ้น ปริมาณการซื้อขายขั้นต่ำข้อ จำกัด ฐาน (ทั้งสองข้อนี้ได้รับการเสนอในการศึกษาอื่น ๆ ) และมูลค่าตลาด (นี่คือข้อ จำกัด ของแบบจำลอง Markowitz ที่นำเสนอครั้งแรกในการศึกษานี้) ได้รับการพิจารณาในโมเดลขยาย ไม่เคยมีงานวิจัยที่เสนอและแก้ไขรูปแบบการขยายผลเช่นนี้ เพื่อแก้ปัญหาการวางแผนแบบไม่เชิงเส้นของจำนวนเต็มผสมนี้ (NP-Hard)

ผลลัพธ์ (ไทย) 3:

อัลกอริทึมheuristicช่วยให้นักวิจัยสามารถแก้ปัญหาการรวมกันที่ซับซ้อนมากขึ้นภายในเวลาที่เหมาะสม รูปแบบการเลือกพอร์ตโฟลิโอความแปรปรวนเฉลี่ยของMarkowitzเป็นหนึ่งในปัญหาข้างต้น ในความเป็นจริงแบบจําลองของMarkowitzเป็นปัญหาการเขียนโปรแกรมแบบไม่เชิงเส้น(กําลังสอง)ซึ่งได้รับการแก้ไขโดยใช้เทคนิคheuristicและnonheuristicต่างๆ บทความนี้พิจารณารูปแบบการเลือกพอร์ตการลงทุนตามปัญหาการเลือกพอร์ตการลงทุนของMarkowitzซึ่งรวมถึงข้อจํากัดที่สําคัญที่สุดสามข้อ ผลลัพธ์เหล่านี้สามารถนําโมเดลของMarkowitzไปสู่รูปแบบที่สมจริงมากขึ้น ในแบบจําลองแบบขยายจะมีการพิจารณาจํานวนหุ้นขั้นต่ําข้อจํากัดของฐาน(ทั้งสองข้อนี้ได้รับการเสนอไว้ก่อนหน้านี้ในงานวิจัยอื่นๆ)และการลงทุนในตลาด(ข้อจํากัดของโมเดลMarkowitzที่เสนอเป็นครั้งแรกในการศึกษานี้) ไม่เคยมีการศึกษาเพื่อเสนอและแก้ไขรูปแบบการขยายนี้ เพื่อแก้ปัญหาการเขียนโปรแกรมแบบไม่เชิงเส้นจํานวนเต็มแบบผสมนี้( NP-hard )จะใช้ขั้นตอนวิธีทางพันธุกรรมที่สอดคล้องกัน( GA ) การวิจัยเชิงคํานวณดําเนินการในสองส่วนหลักคือประการแรกการตรวจสอบและยืนยันขั้นตอนวิธีทางพันธุกรรมที่เสนอและประการที่สองการประยุกต์ใช้แบบจําลองที่เสนอโดยใช้ปัญหาขนาดใหญ่