Comparison of Portfolio Optimization Using Classical Method and Fruit Fly Algorithm in Growth and Value Stock Portfolios

Document Type : Original Article

Authors
monireh mashhadi ramezanali
hamid ahmadzadeh
mahmoud khoddam
Department of Economic Sciences, Ka.C., Islamic Azad University, Karaj, Iran
10.22034/jik.2026.78833.4849
Abstract
Investment strategy selection in capital markets depends on various factors, including firms’ fundamental characteristics and portfolio optimization techniques. A common approach in the financial literature involves classifying stocks into value and growth portfolios and evaluating their performance within asset pricing frameworks. This study aims to empirically compare the explanatory power of value and growth portfolios optimized using the classical Markowitz mean–variance approach and the Fruit Fly Optimization Algorithm (FOA).
To this end, stocks listed on the Tehran Stock Exchange are classified into value and growth portfolios based on price-to-earnings and price-to-book ratios. Portfolio optimization is then conducted separately for each group using both optimization methods. The explanatory power of the resulting portfolios is assessed within the framework of the Fama–French five-factor model (2014).
The empirical results indicate that portfolios optimized using the classical Markowitz approach exhibit higher explanatory power than those constructed via the Fruit Fly Optimization Algorithm in both value and growth categories. These findings suggest that although metaheuristic algorithms may enhance the optimization process, such improvements do not necessarily translate into greater explanatory power within asset pricing models.
Keywords
: Portfolio Optimization - Classical Method - Fruit Fly Algorithm &ndash
Growth stock &ndash
Value stock

  1. 1.    اکبری‌فرد، حسین؛ انارکی‌محمدی، احمد. (۱۳۹۶). انتخاب پرتفوی بهینه با استفاده از الگوریتم جستجوی گرانشی. پنجمین کنفرانس بین‌المللی اقتصاد، مدیریت و حسابداری با رویکرد ارزش‌آفرینی، شیراز.

    2.    امینی، امیر. (۱۳۹۵). بهینه‌سازی سبد سهام با استفاده از رویکرد جدید الگوریتم کرم میوه. فصلنامه مدیریت صنعتی، ۳۶، ۵۹–۷۶.

    3.    بیات‌آزادباوند، محمد؛ پوررفیعی، مهدی؛ صباغیان، زهره. (۱۳۹۸). ارائه یک مدل سبد سهام چندهدفه با در نظر گرفتن آنتروپی و گشتاورهای مرتبه بالا در شرایط عدم اطمینان. چهارمین کنفرانس ملی مدیریت، حسابداری و اقتصاد با تأکید بر بازاریابی منطقه‌ای و جهانی، تهران.

    4.    تهرانی، رضا؛ فلاح‌پور، سعید؛ رستمی، محمدرضا. (۱۳۹۷). انتخاب سبد سهام چنددوره‌ای با استفاده از گشتاورهای مرتبه بالاتر. مهندسی مالی و مدیریت اوراق بهادار، ۳۴، ۱–۲۰.

    5.    خلیلی اکبر، رعیتی شوازی علیرضا، رضائی پندری عباس. (1402). تحلیل استواری ریسک نامطلوب در مدیریت پرتفوی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. سومین کنفرانس ملی اقتصاد، مدیریت و حسابداری، شیروان، موسسه پژوهشی رهجویان پایا شهر اترک

    6.    قالیباف‌اصل، مهدی. (۱۳۹۸). بررسی رابطه نسبت ارزش دفتری به ارزش بازار و بازده سهام در بورس اوراق بهادار تهران. پژوهش‌های مالی، ۲۰(۳)، ۴۵–۶۲.

    7.    کریمی موحد، مهدی؛ احدزاده نمین، مهناز؛ شاهوردیانی، شادی؛ حبیبی، داوود. (۱۴۰۱). تحلیل و مقایسه عملکرد پرتفوی‌های مبتنی بر سهام رشدی و ارزشی در بازار سرمایه ایران. دانش سرمایه‌گذاری، ۱۱(۲)، ۹۵–۱۱۸.

    8.    گوهرنیا، محمد؛ همکاران. (۱۴۰۲). بهینه‌سازی سبد سهام چندهدفه با استفاده از معیار GlueVaR. پژوهش‌های مالی، ۲۵(۱)، ۷۳–۹۴.

    9.   شفیعی، علی؛ همکاران. (۱۴۰۳). پیش‌بینی بازار سهام با استفاده از الگوریتم بهینه‌سازی ملخ بهبود‌یافته. فصلنامه پژوهش‌های مالی، ۲۸(۲)، ۱۱۳–۱۳۴.

    1. Anione, S., Loraschi, A., & Tettamanzi, A. (1993). A genetic approach to portfolio selection. Neural Network World, 6, 597–604.
    2. Chang, T. J., Meade, N., Beasley, J. E., & Sharaiha, Y. M. (2021). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27(13), 1271–1302.
    3. Crama, Y., & Schyns, M. (2013). Simulated annealing for complex portfolio selection problems. European Journal of Operational Research, 150(3), 546–571.
    4. Fernández, A., & Gómez, S. (2023). Portfolio selection using neural networks. Computers & Operations Research, 34(4), 1177–1191.
    5. Gilli, M., Këllezi, E., & Hysi, H. (2006). A data-driven optimization heuristic for downside risk minimization. Journal of Risk, 8(3), 1–23.