همچنان مدل پورتفوی مارکویتز در حرفه و مباحث علمی سرمایه گذاری، رویکرد غالب است. در قیاس با رشد روزافزون استفاده از پورتفوی ها و با وجود ادبیات غنی آن، همچنان مشکل ها و سؤال های بی پاسخ فراوانی در این باره وجود دارد. چگونگی انتخاب پورتفوی، از جمله مسائل بحث برانگیز است. انتخاب روش بهینه سازی پورتفوی نیز، یکی از مهم ترین زیرشاخه های این مقوله است. هدف این پژوهش، ارائة ابزاری مفید و کارآمد برای کمک به متخصصان حوزة مالی در عمل و همچنین محققان مالی در تئوری انتخاب پورتفوی است. این پژوهش، علاوه بر بررسی روش های کلاسیک و ابتکاری در بهینه سازی، الگوریتم های ابتکاری را با یکدیگر ترکیب کرده و آن را بر مسئلة بهینه سازی پورتفوی در بورس اوراق بهادار تهران بین سی و پنج شرکت از پنجاه شرکت برتر بازار، اعمال می کند. نتایج تحقیق نشان می دهد که ترکیب الگوریتم های ژنتیک و نِلدر ‐ مید با مسئلة بهینه سازی پورتفوی به خوبی سازگاری دارد و در مقایسه با کاربرد جداگانة الگوریتم ژنتیک، ترکیب با سرعت همگرایی بهتر به پاسخ بهینه و ریسک ‐ بازدهی مناسب تر، عملکرد بهتری را دارد. همچنین نتایجِ مقایسه پورتفوی های روش ترکیبی نشان می دهد که اگرچه سرعت همگرایی و تنوع بخشی پورتفوی اطلاعات ماهانه، بیشتر از پورتفوی سالانه است؛ اما عملکرد ریسک ‐ بازدهی پورتفوی اطلاعات سالانه، بهتر از پورتفوی ماهانه است.
