ارزش در معرض ریسک مشروط

با وجود استفاده روزافزون از الگوریتم های بهینه سازی تکاملی چندهدفه در شاخه های مختلف علوم، به کاربردن آنها به عنوان ابزار بسیار قدرتمند در زمینه بهینه سازی سبد سرمایه، به ویژه حل مسئله چندهدفه، همچنان در مراحل اولیه پژوهش است. در این مقاله، از الگوریتم های تکاملی چندهدفه برای حل مسئله بهینه سازی چندهدفه سبد سرمایه در بورس اوراق بهادار تهران استفاده شده است. برای این منظور، دو روش مهم و پرکاربردِ الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب (NSGA-II) و بهینه سازی چندهدفه ازدحام ذرات (MOPSO) با یکدیگر مقایسه شدند. جبهه های بهینه پارِتوی به دست آمده، به سرمایه گذار این امکان را می دهد که از بین ریسک و ارزش های مختلف، سبد سرمایه بهینه مدنظر را انتخاب کند. ارزش سبد سرمایه و ریسک آن به عنوان اهداف بهینه سازی و معیار ارزش در معرض ریسک مشروط به عنوان سنجه ریسک به کار برده شد و سه قید عملی و کاربردی نیز برای حل مسئله مدنظر قرار گرفت. نتایج، عملکرد بهتر روش NSGA-II را نسبت به MOPSO برای هر دو معیار همگرایی و گستردگی جبهه های بهینه پارتو نشان داد. همچنین در پیش بینی سبد سهام بهینه، انطباق جبهه های بهینه پارتوی واقعی و پیش بینی شده، نشان دهنده کارایی بسیار مناسب روش های استفاده شده است.

افزایش بازده و کاهش ریسک، همواره یکی از مهم ترین مسائلی است که سرمایه گذاران در بازارهای مالی به آن توجه می کنند. با وجود سابقه طولانی بهینه سازی سبد سهام، الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری که در سال 2010 معرفی شده است، یکی از کاراترین روش های فرا ابتکاری، برای حل مسائل بهینه سازی است. در این پژوهش، سعی شده است مسئله بهینه سازی سبد سهام، در چارچوب مدل معرفی شده مارکوویتز، با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری حل شود. بدین منظور، از بازدهی های روزانه 20 شرکت پذیرفته شده در بورس اوراق بهادار تهران که دارای نقدینگی بالا در بازه زمانی 1391 تا 1395 بودند، استفاده شده است. نتایج به دست آمده از این تحقیق نشان می دهد الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری، نسبت به سایر الگوریتم ها برای یافتن مرز کارا و بهینه سازی سبد سهام، عملکرد بهتری دارد.