Equity portfolio management with cardinality constraints and risk parity control using multi-objective particle swarm optimization

Kaucic, Massimiliano

doi:10.1016/j.cor.2019.05.014

Cited by 42 publications

(12 citation statements)

References 58 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Para esta estratégia, o algoritmo genético é também responsável por atribuir o peso de cada ativo na possível soluc ¸ão com a utlizac ¸ão de representac ¸ões, mutac ¸ões e crossover específicos, [17], [19]- [23]. Considerando essas possibilidades, faz-se necessária uma extensa análise a partir de experimentos computacionais para testar a versatilidade e eficiência de cada heurística aplicada a diferentes modelos e conjuntos de dados, especialmente em momentos de alta volatilidade [8].…”

Section: Trabalhos Relacionadosunclassified

“…A fim de obter-se boas soluc ¸ões em tempos razoáveis, foram propostas diversas heurísticas [5]- [7]. Estas abordagens podem ser úteis em momentos de rebalanceamento de portfólio e mudanc ¸as no cenário, possibilitando ao gestor simular diversas situac ¸ões e fazer testes em tempo oportuno, de modo a ajudar em sua tomada de decisão [5], [8].…”

Section: Introduc ¸ãOunclassified

See 1 more Smart Citation

Avaliação de Algorítmos Genéticos Puros e Híbridos para Index Tracking

Amorim¹,

Silva²,

Filho³

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

O problema de index tracking estuda a reprodução da performance de um índice com um portfólio formado por um número restrito de ativos. Esta abordagem é especialmente importante em situações reais, onde custos de transação estão associados à compra e venda de ativos, impossibilitando uma replicação fiel do benchmark. No entanto, essa restrição de cardinalidade do portfólio acrescenta uma complexidade adicional, por isso, sua solução pode levar muito tempo. Para contornar este problema, metaheurísticas foram propostas com o objetivo de alcançar boas soluções em um tempo razoável. Este trabalho analisa a performance de cinco algortimos genéticos aplicados a duas formulações de modelos para a otimização deste problema de seleção portfólio: um linear e outro quadrático, em termos de tempo de execução e qualidade da solução. Os resultados mostram que a abordagem híbrida dos GAs foi capaz de retornar soluções competitivas em menos tempo do que um solver genérico, tanto em períodos de otimização simples quanto em estratégias de rebalanceamento do portfólio, de forma a ser uma alternativa confiável à um gestor de fundos para ajudar em seu processo de tomada de decisão, permitindo diversos experimentos em um curto período de tempo antes da formação do portfólio.

show abstract

Section: Trabalhos Relacionadosunclassified

Section: Introduc ¸ãOunclassified

Avaliação de Algorítmos Genéticos Puros e Híbridos para Index Tracking

Amorim¹,

Silva²,

Filho³

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

show abstract

“…Mishra et al developed a MOPSO algorithm which used a self-regulating velocity strategy that was found to be highly competitive against evolutionary algorithms, namely NSGA-II and SPEA-2 [120]. Kaucic presented a novel hybridized MOPSO algorithm to solve the constrained portfolio optimization problem [93]. The hybridized algorithm used mutation to improve the exploratory capabilities of MOPSO.…”

Section: Particle Swarm Optimizationmentioning

confidence: 99%

“…Investing in these algorithms could be a potentially fruitful area of future work since initial results are promising. Furthermore, the hybridization of these algorithms have been shown to yield superior results over their individual counterparts [93], [126], [172].…”

Section: 83%mentioning

confidence: 99%

Set-Based Particle Swarm Optimization for Portfolio Optimization

Erwin

Engelbrecht

2020

Lecture Notes in Computer Science

View full text Add to dashboard Cite

By submitting this thesis electronically, I declare that the entirety of the work contained therein is my own, original work, that I am the sole author thereof (save to the extent explicitly otherwise stated), that reproduction and publication thereof by Stellenbosch University will not infringe any third party rights and that I have not previously in its entirety or in part submitted it for obtaining any qualication.

show abstract

“…ese methods, usually inspired by a natural phenomenon, have been widely developed to solve different scientific problems in the recent decades: to name but a few, particle swarm optimization [28][29][30], firefly optimization algorithm [31], ant colony optimization algorithm [32][33][34][35], genetic algorithm [36][37][38][39], imperialist competitive algorithm [40][41][42], team game algorithm [43], and teacher-learning-optimization algorithm [44,45]. On the contrary, most of engineering problems, especially controller design, have more than one objective function (criterion) for optimization [46][47][48][49][50]. As a success approach, multiobjective high exploration particle swarm optimization is a recently introduced algorithm by the authors of this work to solve real-world and complicated multicriterion problems [51].…”

Section: Introductionmentioning

confidence: 99%

Trajectory Tracking of a Flexible Robot Manipulator by a New Optimized Fuzzy Adaptive Sliding Mode-Based Feedback Linearization Controller

Mahmoodabadi

Nejadkourki

2020

Journal of Robotics

View full text Add to dashboard Cite

This work presents a novel fuzzy adaptive sliding mode-based feedback linearization controller for trajectory tracking of a flexible robot manipulator. To reach this goal, after deriving the dynamical equations of the robot, the feedback linearization approach is utilized to change the nonlinear dynamics to a linear one and find the control law. Then, the sliding mode control strategy is implemented to design a stabilizer for trajectory tracking of the flexible robot. In order to adaptively tune the parameters of the designed controller, the gradient descent approach and the chain derivative rule are employed. Moreover, the Takagi–Sugeno–Kang fuzzy system is applied to regulate the controller gains. Finally, a multiobjective particle swarm optimization algorithm is used to find the optimum fuzzy rules. The conflicting objective functions considered as the integrals of the absolute values of the state error and the control effort should be minimized, simultaneously. The simulation results illustrate the effectiveness and capability of the introduced scenario in comparison with other methods.

show abstract

Equity portfolio management with cardinality constraints and risk parity control using multi-objective particle swarm optimization

Cited by 42 publications

References 58 publications

Avaliação de Algorítmos Genéticos Puros e Híbridos para Index Tracking

Avaliação de Algorítmos Genéticos Puros e Híbridos para Index Tracking

Set-Based Particle Swarm Optimization for Portfolio Optimization

Trajectory Tracking of a Flexible Robot Manipulator by a New Optimized Fuzzy Adaptive Sliding Mode-Based Feedback Linearization Controller

Contact Info

Product

Resources

About