بررسی رابطه بهینه سازی پورتفولیوی میانگین و ارزش در ریسک شرکت های کوچک و متوسط استان گیلان

بهینه سازی پورتفولیو شامل تخصیص بهینه ی سرمایه ای محدود به دارایی های مالی مختلف قابل دسترس به منظور دستیابی به یک مبادله ی معقول نه بین سود و ریسک است. ما یک مدل میانگین-VaR مارکوویتز را در نظر می گیریم که در آن، واریانس با یک معیار ریسک استاندارد صنعتی، یعنی ارزش-در-ریسک (VaR)، به منظور ارزیابی بهتر قرار گرفتن در معرض ریسک بازار مربوط به نوسانات قیمت دارایی های مالی و کالایی جایگزین می شود. بهینه سازی واقع بینانه ی پورتفولیو در چارچوب کاری میانگین-VaR، مسائل چالش برانگیزی است زیرا بهینه سازی VaR منجر به یک مسئله ی نامحدب NP-hard می شود که از لحاظ محاسباتی حل نشدنی است. در این کار، یک الگوریتم تکاملی چند-منظوره ترکیبی مبتنی بر یادگیری (MODE-LG) کارآمد را به منظور حل مسائل بهینه سازی پورتفولیوی میانگین-VaR با محدودیت های جهان-واقعی، مانند کاردینالیته، کمیت، پیش-تخصیص، Round-lot (یک واحد معامله در بورس است)، و محدودیت های کلاس ارائه می دهد. یک استراتژی تولید راه حل مبتنی بر یادگیری، در فرایند بهینه سازی چند-منظوره به منظور ارتقاء همگرایی کارآمد به وسیله هدایت جستجوی تکاملی در جهت نواحی امیدبخش فضای جستجو ادغام می شود. الگوریتم ارائه شده، در برابر الگوریتم ژنتیکی مرتب سازی غیر-غالب (NSGA-II) و الگوریتم تکاملی قدرت پارتو (SPEA۲) مقایسه می شود. نتایج تجربی به دست آمده با استفاده از داده های روزانه ی تاریخی بازار مالی از شاخص های S&P۱۰۰ و S&P۵۰۰ ارائه می شوند. نتایج تجربی نشان می دهند که MODE-GL، بهتر از دو تکنیک موجود برای این کلاس مهم مسائل سرمایه گذاری پورتفولیو در زمینه کیفیت راه حل و زمان محاسباتی عمل می کند. نتایج نشان می دهند که الگوریتم ارائه شده قادر به حل بهینه سازی پورتفولیوی پیچیده، بدون ساده سازی، است و در عین حال، راه حل های خوبی را در زمان معقول به دست می آورد و دارای پتانسیل قابل توجهی برای استفاده در عمل است.

کلیدواژه ها:

محاسبات تکاملی ، بهینه سازی محدود چند-منظوره ی پورتفولیوی ، ارزش در ریسک ، شبیه سازی تاریخی غیر پارامتری