Resolución del problema de carteras de inversión utilizando la heurística de colonia artificial de abejas

Mauricio I. Gutiérrez Urzúa; Patricio Galvez Galvez; Benjamin Eltit; Hernaldo Reinoso

doi:10.1016/j.estger.2017.11.001

Autores/as

Mauricio I. Gutiérrez Urzúa Profesor investigador, Departamento de Economía y Finanzas, Universidad del Bío-Bío, Concepción, Chile
Patricio Galvez Galvez Profesor investigador, Departamento de Sistemas de Información, Universidad del Bío-Bío, Concepción, Chile
Benjamin Eltit Graduado Magíster en Gestión Industrial, Departamento de Ingeniería Industrial, Universidad de Concepción, Concepción, Chile
Hernaldo Reinoso Profesor investigador, Departamento de Ingeniería Industrial, Universidad de Concepción, Concepción, Chile

DOI:

https://doi.org/10.1016/j.estger.2017.11.001

Palabras clave:

Optimización, Inversión, Modelo GARCH, Colonia artificial de abejas

Resumen

El presente artículo resuelve el problema clásico de optimización de carteras de inversión, usando el modelo de media-varianza y proponiendo una forma de calcular la volatilidad a través de los modelos generalizados autorregresivos condicionalmente heterocedásticos (GARCH). El problema es resuelto a través de una metaheurística bioinspirada, llamada colonia artificial de abejas (artificial bee colony[ABC]), cuyo objetivo es reducir los tiempos de ejecución computacionales presentes en otras soluciones. Los resultados fueron contrarrestados con un trabajo anterior, resuelto con multiplicadores de Lagrange, encontrando una frontera de inversión similar, pero con una reducción del tiempo de ejecución notablemente inferior. Finalmente, se hace referencia a futuros trabajos dentro del área de las finanzas computacionales.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Bacanin, N., Pelevic, B. y Tuba, M. (2013). Krill Herd (KH) algorithm for portfolio optimization. En O. Owolabi, M. K. Jha, y P. Lorca (Eds.), Mathematics and Computers in Business, Manufacturing and Tourism. Proceedings of the 14th International Conference on Mathematics and Computers in Business and Economics, Baltimore, MD, USA, September 17-19, 2013 (pp. 39-44). WSEAS Press.

Bollerslev, T., Chou, R. Y. y Kroner, K. F. (1992). ARCH modeling in finance: A review of the theory and empirical evidence. Journal of Econometrics, 52(1-2), 5-59.

Chen, A. H., Liang, Y. C. y Liu, C. C. (2012 June). An artificial bee colony algorithm for the cardinality-constrained portfolio optimization problems. In 2012 IEEE Congress on Evolutionary Computation (CEC). pp. 1-8. Brisbane, QLD, Australia: IEEE.

Chen, S. H. y Kuo, T. W. (2002). Evolutionary computation in economics and finance: A bibliography. In Evolutionary computation in economics and finance. pp. 419-455. Heidelberg: Physica-Verlag.

Chen, S. H., Yeh, C. H. y Liao, C. C. (2002). On AIE-ASM: Software to simulate artificial stock markets with genetic programming. Studies in Fuzziness and Soft Computing, 100, 107-122.

Cooper, M. W. y Farhangian, K. (1982). An integer programming algorithm for portfolio selection with fixed charges. Naval Research Logistics (NRL), 29(1), 147-150.

Di Tollo, G. y Roli, A. (2008). Metaheuristics for the portfolio selection problem. International Journal of Operations Research, 5(1), 13-35.

Gálvez, P., Salgado, M. y Gutiérrez, M. (2015). Optimización de carteras de inversión modelo de Markowitz y estimación de volatilidad con GARCH. Horizontes Empresariales, 9(2), 39-50.

Glover, F. y Laguna, M. (1997). General purpose heuristics for integer programming - Part I. Journal of Heuristics, 2(4), 343-358.

Gutiérrez, M. y Salgado, M. (2012). Construcción de una cartera de inversión usando modelos GARCH. Industrial Data, 15(1), 84-99.

Gutiérrez, M., Torres, E. T., Gálvez, P. y Poo, G. (2007). Optimización de portafolios accionarios a través de un micro algoritmo genético. Industrial Data, 10(2), 12-20.

Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization (Vol. 200). Technical report-tr06, Erciyes University, Engineering Faculty, Computer Engineering Department.

Lang, Y., Lv, X. y Zhang, W. (2007 May). A linear programming model of fuzzy portfolio selection problem. In 2007 IEEE International Conference on Control and Automation. pp. 3116-3118. Guangzhou, China: IEEE.

Mansini, R. y Speranza, M. G. (1999). Heuristic algorithms for the portfolio selection problem with minimum transaction lots. European Journal of Operational Research, 114(2), 219-233.

Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91.

Reeves, C. R. (1996). Heuristic search methods: A review. En D. Johnson y F. O'Brien (Eds.), Operational Research-Keynote Papers (pp. 122-149). Birmingham, UK: Operational Research Society.

Toca, C. E. (2014). Inteligencia colectiva: enfoque para el análisis de redes. Estudios Gerenciales, 30(132), 259-266.

Wang, Z., Liu, S. y Kong, X. (2012). Artificial bee colony algorithm for portfolio optimization problems. International Journal of Advancements in Computing Technology, 4(4), 8-16.

Wu, X. L. y Liu, Y. K. (2012). Optimizing fuzzy portfolio selection problems by parametric quadratic programming. Fuzzy Optimization and Decision Making, 11(4), 411-449.

Yang, J. (2002). The efficiency of an artificial double auction stock market with neural learning agents. In Evolutionary computation in economics and finance. pp. 85-105. Heidelberg: Physica-Verlag .

Zhou, C., Gao, H. B., Gao, L. y Zhang, W. G. (2003). Particle Swarm Optimization (PSO) Algorithm [J]. Application Research of Computers, 12, 7-11.