بهینه سازی سبدسهام براساس حداقل سطح پذیرش ریسک کل و اجزای آن با استفاده از روش الگوریتم ژنتیک
محورهای موضوعی : دانش سرمایهگذاری
مائده کیانی هرچگانی
1
(دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مدیریت مالی ، (مسئول مکاتبات))
سیدعلی نبوی چاشمی
2
(دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مدیریت مالی.)
عرفان معماریان
3
(دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مدیریت مالی.)
کلید واژه: بهینه سازی سبد سهام, مدل مارکویتز, ریسک سیستماتیک, ریسک غیر سیستماتیک, الگوریتم ژنتیک,
چکیده مقاله :
ریسک و بازده دو عاملی هستند که همواره در حوزه سرمایه گذاری مطرح بوده اند. همزمان با به وجود آمدن مدل هایی جهت بهینه سازی سبد سهام که مهم ترین آن مدل مارکویتز بوده، لزوم شناخت روشهای حل این مدل ها نیز از اهمیت بسزایی برخوردار شده اند. یکی از مهم ترین روش های فراابتکاری برای حل مدل های بهینه سازی سبد سهام الگوریتم ژنتیک می باشد، که یکی از اهداف این تحقیق بررسی میزان کارایی آن در بهینه سازی سبد سهام بوده است. بدین منظور در این تحقیق یکبار با استفاده از الگوریتم ژنتیک مرز کارای بهینه را به دست آورده و این مرز کارا را با مرز کارای حاصل از روش حل دقیق مقایسه می کنیم. به منظور دستیابی به این هدف 25 شرکت از شرکت های فعال در بورس اوراق بهادار تهران انتخاب شدند. محاسبات مربوط به تحقیق توسط نرم افزار 7.6Matlabانجام شده است. نتایج تحقیق مبین این مطلب است که مرزکارای بهینه به دست آمده با استفاده از روش الگوریم ژنتیک با مرزکارای حاصل از روش حل دقیق برابر بوده که نشان دهنده کارایی بالای الگوریتم ژنتیک در بهینه سازی سبد می باشد. همچنین در این تحقیق نتایج بیانگر این مطلب است که با مقایسه سبد های بهینه حاصل از حل، با تابع ریسک های سیستماتیک و غیر سیستماتیک، تنوع سهام در سبدهایی با تابع ریسک غیر سیستماتیک بسیار بیشتر از سبدهایی با تابع ریسک سیستماتیک بوده است.
Risk and return are two main factors that have always been considered in the field of investment. Simultaneously with the advent of different models for portfolio optimization which the Markowitz model is the most important of those, the necessity to identify methods for solving these models gained great Importance. Genetic Algorithm is one of the most important metaheuristic methods used for the solution of the portfolio optimization models.This study aimed at evaluating the level of efficiency of this metaheuristic model in portfolio optimization. Therefore, in this study once we have calculated the optimal efficient frontier by the use of the genetic algorithm, and then we compared this optimal efficient frontier with the efficient frontier which was obtained through exact solution method. To achieve this purpose, 25 companies were selected from companies in Tehran Stock Exchange. The results of our study shows that the optimal efficient frontier gained through genetic algorithm is equal to the efficient frontier obtained using the exact solution method, and thereby indicating the high efficiency of genetic algorithm in portfolio optimization. The other result of the present study is that the comparison of the optimal portfolio gained through exact solution with the systematic and unsystematic risk, also revealed that Stock diversity in portfolios with unsystematic risk is much greater than portfolios with systematic risk.