هما هاشمی

در مساله بهینه سازی پرتفوی ، مدل مارکویتز همچنان به عنوان رویکرد غالب شناخته شده است اما چون محدودیت هایی که در دنیای واقعی نظیر محدودیت تعدادداراییهای سبد یا حداقل و حداکثر مقدار هریک از داراییها در این مدل درنظر گرفته نشده است، این مدل در حل مسائل دنیای واقعی بعضا ناتوان می باشد. به همین دلیل استفاده از الگوریتم های فراابتکاری با توجه به ویژگی های منعطفی که دارند میتوانند مفید واقع شوند. در پژوهش پیش رو از الگوریتم فراابتکاری به نام جستجوی انطباق تصادفی حریصانه(GRASP) برای رفع مشکل بهینه سازی پرتفوی با محدودیت کاردینالیتی  (CCPO)استفاده شده استکه به جهت تطابق بیشتر با دنیای واقعی ، دو مجموعه محدودیت شامل محدودیتهای کف و سقف و محدودیت کاردینالیتی  به مدل مارکویتز اضافه شده است . بررسی نتایج حاصل از بهینه سازی پرتفوی با الگوریتم GRASPبا نتایج مدل مارکویتز بر روی 199 شرکت طی دوره 5 ساله (1391-1395) ، در بورس اوراق بهادار تهران نشان می دهد براساس معیار شارپ در هر پرتفوی 5 ، 15 و30 شرکتی الگوریتم GRASP در بهینه سازی پرتفوی کاراتر از مدل مارکویتز عمل می کند.