محدودیت کاردینالیتی

بهینه سازی سبد سهام یکی از مهم ترین موضوعاتِ تصمیم گیری برای شرکت های فعال در بازار سرمایه است. هنگامی که وضعیت و محدودیت های دنیای واقعی نظیر محدودیت سرمایه گذاری در هریک از سهام ها و نیز محدودیت تعداد سهام های موجود در سبد سهام در نظر گرفته می شوند، مسئله بهینه سازی سبد سهام به راحتی حل نمی شود، از این رو استفاده از شیوه های فراابتکاری مد نظر قرار می گیرد. هدف اصلی از پژوهش حاضر، حل مسئله بهینه سازی سبد سهام با استفاده از نوعی الگوریتم فراابتکاری کاملاً جدید و نوظهور به نام الگوریتم جست وجوی ارگانیسم های هم زیست با در نظر گرفتن محدودیت های دنیای واقعی در تشکیل سبد سهام است. این الگوریتم با الهام از روابط هم زیستی موجود در اکوسیستم های گوناگونی که در طبیعت وجود دارد، در سال 2014 معرفی شده است. در نهایت روش و مدل مورد استفاده در این پژوهش با داده های واقعی حل شد و نتایج آن تجزیه و تحلیل شدند. نتایج این پژوهش نشان می دهد، الگوریتم جست وجوی ارگانیسم های هم زیست در بهینه سازی سبد سهام، عملکرد موفقی داشته و توانسته است به نحو مطلوبی با محدودیت های واقعی بازار تعامل کند

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.