بهينه‌سازي سبد سهام با استفاده از الگوريتم ژنتيك چند هدفه (NSGA II) و ماكزيمم نسبت شارپ

Stock portfolio optimization using multi-objective genetic algorithm (NSGA II) and maximum Sharp ratio

يكي از مسايل مهم حوزه مالي چگونگي انتخاب سبد سرمايه گذاري است. فعالان اين حوزه در صدد انتخاب سبدي هستند كه با ميزان بازدهي بالا ، ريسك را تحت كنترل قرار دهد. با توجه به افزايش محدوديت هاي بازار سرمايه كارايي روش هاي كلاسيك مورد بحث قرار گرفته است. از اين رو توجه محققين به سمت الگوريتم هاي فرا ابتكاري معطوف شده است. هدف اين پژوهش تعيين سبد بهينه ي شركت هاي دارويي پذيرفته شده در بازار بورس اوراق بهادار تهران به دو روش الگوريتم ژنتيك چندهدفه (NSGA-II) و ماكزيمم نسبت شارپ است. در اين پژوهش الگوريتم ژنتيك چند هدفه (NSGA-II) تحت معيار ريسك ارزش در معرض خطر مشروط است. همچنين از داده هاي 13 شركت در دوره زماني97-90 براي تشكيل سبد استفاده شده است. نتايج حاكي از آن است كه در روش الگوريتم ژنتيك چند هدفه (NSGA-II) سهامي كه كمترين ارزش در معرض خطر را دارد، بيشترين وزن را در سبد بهينه بدست مي آورد. همچنين سبد بهينه شده به روش الگوريتم ژنتيك چند هدفه (NSGA-II) بازده بيشتر و در عين حال ريسك كمتري دارد.

One of the most important issues in finance is how to choose an investment portfolio. Activists in this field are seeking to select a portfolio that controls risk with high return. Due to the increasing limitations of the capital market, the efficiency of classical methods has been discussed. Hence, researchers have turned their attention to metaheuristic algorithms. The aim of this study is to determine the optimal portfolio of pharmaceutical companies accepted in the Tehran Stock Exchange by two methods of multi-objective genetic algorithm (NSGA-II) and maximum Sharp ratio. In this study, the multi-objective genetic algorithm (NSGA-II) is under Conditional Value at Risk criterion. Also, the data of 13 companies in the period of 90-97 were used to form the portfolio. The results show that in the multi-objective genetic algorithm (NSGA-II) method, the stock with the lowest Value at Risk gains the most weight in the optimal portfolio. Also, the optimized portfolio by multi-objective genetic algorithm is more return and at the same time less risky.