چکیده:
افـزایش بـازده و کـاهش ریسـک ، همـواره یکـی از مهـم تـرین مسـائلی اسـت کـه سرمایه گذاران در بازارهای مالی به آن توجه می کنند. با وجود سابقه طولانی بهینـه سـازی سـبد سهام ، الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری که در سال ٢٠١٠ معرفی شـده اسـت ، یکی از کاراترین روش های فراابتکاری ، برای حل مسائل بهینه سـازی اسـت . در ایـن پـژوهش ، سعی شده است مسئله بهینه سازی سبد سهام ، در چـارچوب مـدل معرفـی شـدٔه مـارکوویتز، بـا استفاده از الگوریتم بهینـه سـازی مبتنـی بـر آمـوزش و یـادگیری حـل شـود. بـدین منظـور، از بازدهی های روزانه ٢٠ شرکت پذیرفته شده در بورس اوراق بهادار تهران که دارای نقدینگی بالا در بازٔه زمانی ١٣٩١ تا ١٣٩٥ بودند، استفاده شده است . نتایج به دست آمده از این تحقیق نشـان می دهد الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری ، نسبت بـه سـایر الگـوریتم هـا بـرای یافتن مرز کارا و بهینه سازی سبد سهام ، عملکرد بهتری دارد.
Increasing the profits and reducing the risks have always been of the most important issues of concern to the investors in the financial markets. In recent years، many solutions and proposals have been suggested in respect to the frequency of portfolio optimization issue، with the highest return and the lowest possible risk. One of the most prominent suggestions is the Markowitz Model which is mostly known as the Modern Portfolio Theory. On the other hand، the TLBO algorithm which has been presented in 2010 is one of the most efficient meta-heuristic methods to solve the optimization problem. In this study، we are attempting to solve the portfolio optimization problem، according to the framework of the model introduced by Markowitz and using TLBO algorithm. For this purpose، the data related to the returns of 20 companies listed in TSE during the period 2012-2016 were collected. It is worth mentioning that four criteria including variance، mean absolute deviation، semi-variance and conditional value at risk (CvaR) were used in order to measure the risk level in this investigation.
خلاصه ماشینی:
در ایـن پـژوهش ، سعی شده است مسئلۀ بهینه سازی سبد سهام ، در چـارچوب مـدل معرفـی شـدٔە مـارکوویتز، بـا استفاده از الگوریتم بهینـه سـازی مبتنـی بـر آمـوزش و یـادگیری حـل شـود.
پژوهش حاضر به دنبال آن است که با توجه به اهمیت زیاد استفاده از مدل های بهینـه سـازی سبد دارایی ها، به کمک الگوریتم بهینه سازی مبتنی بـر آمـوزش و یـادگیری کـه در سـال ٢٠١٢ توسط رائو و همکارانش مطرح شد، نسبت به حل مسئله بهینه سازی سبد سهام اقـدام کنـد.
در ایران نیز راعی (١٣٧٧) در تحقیقی با عنوان «طراحی مدل سرمایه گذاری مناسب در سـبد سهام با استفاده از هوش مصنوعی (شبکه های عصبی )» و همچنین در سال ١٣٨٩، بـا همکـاری علی بیکی ، در تحقیقی با عنوان «بهینه سازی پرتفوی سهام با اسـتفاده از روش حرکـت تجمعـی ذرات »، به این موضوع پرداخت .
همان طور که بیان شد، در تحقیقات زیادی از الگوریتم هـای فراابتکـاری بـرای حـل مسـئلۀ بهینه سازی سبد سهام و پیدا کردن مرز کارا استفاده شده است ؛ اما تا کنون در هیچ تحقیقی ، این مسئله به کمک الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری حل نشده اسـت .
در این پژوهش ، الگوریتم بهینه سازی بر پایۀ آموزش و یادگیری با چهار رویکرد انـدازه گیـری ریسک واریانس ، انحرافات مطلق از میانگین ، نیم واریانس و ارزش در معرض ریسک مشروط اجرا شده است که در ادامه ، نتایج به دسـت آمـده از ایـن الگـوریتم ارائـه شـده و نتـایج آن بـا سـایر الگوریتم های فراابتکاری متداول مقایسه می شود.