Zastosowanie koewolucyjnego algorytmu genetycznego w rozwiązaniu zadania trójkryterialnego

• Autorzy: Michał Kameduła

Warianty tytułu

Application of Co-Evolutionary Genetic Algorithm for A Three-Criterion Problem

• Języki publikacji: PL

Abstrakty

Optymalizacja wielokryterialna na zmiennych ciągłych zwykle wykorzystuje jedynie dwa kryteria jednocześnie. Nie jest to jednak wymagane i stosując odpowiednio przystosowane metody, możliwe jest uwzględnienie znacznie większej ich liczby. W pracy przedstawiono metodę pozwalającą rozwiązać zadanie trójkryterialne za pomocą algorytmu genetycznego. Wykorzystano do tego mechanizm koewolucji, czyli jednoczesnego przetwarzania wielu oddzielonych od siebie, ale wciąż powiązanych podpopulacji. Przypisując każdej z nich odmienne wagi kryteriów funkcji celu, możliwe jest uzyskanie zestawu rozwiązań suboptymalnych w sensie Pareto. Do przetestowania zaproponowanej metody wykorzystano algorytm wyboru optymalnego portfela akcji. Jako kryteria zastosowano oczekiwaną stopę zwrotu oraz semiwariancję górną i dolną. Uzyskana funkcja trójkryterialna jest w rezultacie nieciągła i nieróżniczkowalna. Nie można więc znaleźć jej optimum z wykorzystaniem klasycznych algorytmów optymalizacyjnych. Wyniki przeprowadzonych testów potwierdziły techniczną skuteczność proponowanej metody, choć trzeba zaznaczyć, że zwykle do wyboru optymalnego portfela wariant dwukryterialny z odpowiednio dobraną miarą ryzyka powinien być w zupełności wystarczający(abstrakt oryginalny)

EN

In this work we present a relatively simple method of adapting a genetic algorithm to a triple-criterion problem by using co-evolution. By running the calculations for multiple - distinctly different yet connected, sub-populations we can easily generate a set of Pareto-optimal solution for a multi-criterion problem. The proposed method is tested for a portfolio optimization algorithm using expected returns as well as upper and lower semivariance. The results prove that the proposed method is an effective tool for multi-criteria optimisation of a numerically diffiucult functions(original abstract)

Słowa kluczowe

PL

Algorytmy genetyczne; Optymalizacja; Portfel akcji

EN

Genetic algorithms; Optimalization; Equity portfolios

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2016
• Numer: nr 446 Metody i zastosowania badań operacyjnych
• Strony: 93--105

Twórcy

autor

Michał Kameduła

• Uniwersytet Łódzki

Bibliografia

• Arabas J., 2001, Wykłady z algorytmów ewolucyjnych, Wydawnictwo Naukowo-Techniczne, Warszawa.
• DeFusco R., McLeavey D,. Pinto J., Runkle D., 2013, Quantitative Investment Analysis, Wiley, Hoboken N.J.
• Goldberg D., 2003, Algorytmy genetyczne i ich zastosowania, Wydawnictwo Naukowo-Techniczne, Warszawa.
• Jajuga K., 2007, Zarządzanie ryzykiem, Wydawnictwo Naukowe PWN, Warszawa.
• Kameduła M., 2015, Zastosowanie koewolucyjnego algorytmu genetycznego do wyboru optymalnego składu portfela funduszy inwestycyjnych, [w:] Badania operacyjne - przykłady zastosowań, Gajda J., Jadczak R. (red.), Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
• Laumans M., Thiele L., Deb K., Zitzler E. 2001, On the Convergence and Diversity Preservation of Multi-Objective Evolutionary Algorithms, TIK Report No. 108, Institut für Technische Informatik und Kommunikationsnetze, Zürich.
• Markowitz H., 1970, Portfolio Selection Efficient Diversification of Investments, Cowles Foundation Monograph 16, Yale University Press, New Heaven and London.
• Rutkowska-Ziarko A., 2003, Rozkład stop zwrotu portfeli akcji zbudowanych w oparciu o semiwariancję, Folia Oeconomica, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
• Rutkowska-Ziarko A., 2005, Metody znajdowania portfela efektywnego dla semiwariancji, Badania Operacyjne i Decyzje, nr 3-4, Wydawnictwo Politechniki Wrocławskiej, Wrocław.
• Shapcott J., 1992, Index Tracking: Genetic Algorithms for Efficient Portfolio Selection, Technical Report EPCC-SS92-24, Edinburgh Parallel Computing Center

Identyfikatory

DOI

10.15611/pn.2016.446.07