بهینه‌سازی سبد سهام با استفاده از الگوریتم ژنتیک چند هدفه (NSGA II) و ماکزیمم نسبت شارپ
محورهای موضوعی : مهندسی مالی
1 - گروه ریاضی مالی، دانشکده علوم پایه، دانشگاه آیت اله بروجردی، بروجرد، ایران
کلید واژه:
چکیده مقاله :
یکی از مسائل مهم حوزه مالی چگونگی انتخاب سبد سرمایه‌گذاری است. فعالان این حوزه در صدد انتخاب سبدی هستند که با میزان بازدهی بالا ، ریسک را تحت کنترل قرار دهد. با توجه به افزایش محدودیت‌های بازار سرمایه کارایی روش‌های کلاسیک مورد بحث قرار گرفته است. از این رو توجه محققین به سمت الگوریتم‌های فرا ابتکاری معطوف شده است. هدف این پژوهش تعیین سبد بهینه‌ی شرکت‌های دارویی پذیرفته شده در بازار بورس اوراق بهادار تهران به دو روش الگوریتم ژنتیک چندهدفه (NSGA-II) و ماکزیمم نسبت شارپ است. در این پژوهش الگوریتم ژنتیک چند هدفه (NSGA-II) تحت معیار ریسک ارزش در معرض خطر مشروط است. همچنین از داده‌های 13 شرکت در دوره زمانی97-90 برای تشکیل سبد استفاده شده است. نتایج حاکی از آن است که در روش الگوریتم ژنتیک چند هدفه (NSGA-II) سهامی که کمترین ارزش در معرض خطر را دارد، بیشترین وزن را در سبد بهینه بدست می‌آورد. همچنین سبد بهینه شده به روش الگوریتم ژنتیک چند هدفه (NSGA-II) بازده بیشتر و در عین حال ریسک کمتری دارد.
One of the most important issues in finance is how to choose an investment portfolio. Activists in this field are seeking to select a portfolio that controls risk with high return. Due to the increasing limitations of the capital market, the efficiency of classical methods has been discussed. Hence, researchers have turned their attention to metaheuristic algorithms. The aim of this study is to determine the optimal portfolio of pharmaceutical companies accepted in the Tehran Stock Exchange by two methods of multi-objective genetic algorithm (NSGA-II) and maximum Sharp ratio. In this study, the multi-objective genetic algorithm (NSGA-II) is under Conditional Value at Risk criterion. Also, the data of 13 companies in the period of 90-97 were used to form the portfolio. The results show that in the multi-objective genetic algorithm (NSGA-II) method, the stock with the lowest Value at Risk gains the most weight in the optimal portfolio. Also, the optimized portfolio by multi-objective genetic algorithm is more return and at the same time less risky.