بهينه سازي سبد سرمايه گذاري در بورس اوراق بهادار تهران با استفاده از الگوريتم چرخه آب (WCA)

(Portfolio Optimization in Tehran Stock Exchange by Water Cycle Algorithm (WCA

انتخاب سبد سرمايه گذاري بهينه يكي از مهم ترين چالش هاي علوم مالي است. هدف اين مطالعه به كارگيري الگوريتم چرخه آب چندهدفه (MOWCA) براي يافتن تركيبي كارآمد از سبد سرمايه گذاري است. مسئله موردمطالعه يك مسئله چند هدفه غيرخطي است كه توابع هدف آن حداكثرسازي بازده و حداقل سازي ريسك را شامل مي شود. الگوريتم چرخه آب از فرآيند چرخه آب در طبيعت شبيه سازي شده و نخستين بار توسط مرادي و همكاران (2017)، براي بهينه سازي سبد سهام در چهار بورس بزرگ دنيا استفاده شد. نمونه اين پژوهش شامل اطلاعات روزانه 30 شركت بزرگ بورس تهران طي سال هاي 1392 تا 1394 است؛ به علاوه، عملكرد MOWCA براي حل مسائل بهينه سازي چندهدفه با ساير بهينه-سازهاي چندهدفه، از قبيل الگوريتم ژنتيك چندهدفه (MOGA) و الگوريتم پرندگان چندهدفه (MOPSO)، مقايسه شد. به منظور مقايسه نتايج الگوريتم ها، چهار معيار عملكرد مرسوم شامل فاصله، يكنواختي، تنوع و پوشش به كار رفت. يافته ها حاكي از آن است كه بر اساس اغلب معيارهاي ارزيابي عملكرد مورداستفاده در اين پژوهش، MOWCA در مقايسه با ساير الگوريتم هاي فراابتكاري براي مسائل بهينه سازي سبد سرمايه گذاري كارآمدي بيشتري دارد.

Portfolio selection is one of the vital financial challenges. This study seeks to apply the multi-objective water cycle algorithm (MOWCA) to find efficient frontiers associated with portfolio. This problem is non-linear multi-objective problem including maximiaing return and minimizing risk of portfolio. The inspired concept of WCA is based on the simulation of water cycle process in the nature. At the first time، it was applied by Moradi et al. (2017) for optimizating portfolio. Computational results are obtained for analyses of daily data for the period 2013 to 2015 including TSE 30. The performance of the MOWCA for solving portfolio optimization problems has been evaluated in comparison with other multi-objective optimizers including the MOGA and MOPSO. Four well-known performance metrics are used to compare the reported optimizers: GD، MS، S and ∆. Statistical optimization results indicate that the applied MOWCA is an efficient and practical optimizer compared with the other methods for handling portfolio optimization problems.