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

بهینه سازی پورتفولیو شامل تخصیص بهینه ی سرمایه محدود به دارایی های مالی مختلف قابل دسترس به منظور دستیابی به یک مبادله ی معقولانه 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 پورتفولیو در چارچوب کاری میانگین - VaR مساله ای چالش برانگیز است زیرا بهینه سازی VaR منجر به یک مساله 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 پارامتر