ارائه رويكردي مبتني بر بهينه‌سازي تصادفي به منظور حل مساله انتخاب سبد سهام در بازار سرمايه ايران با استفاده از الگوريتم‌هاي فراابتكاري

Optimization of Stock Portfolio Selection in Iran Capital Market Using Meta-heuristic Algorithms

در اين پژوهش مساله بهينه­ سازي سبد سهام در شركت ­هاي پذيرفته شده در بازار سرمايه ايران به عنوان يك مساله بهينه ­سازي تصادفي چندهدفه مورد بررسي قرار گرفته است. تابع هدف اول شامل كمينه­ سازي ريسك و تابع هدف دوم شامل بيشينه ­سازي بازده است. محدوديت­ هاي مدل شامل محدوديت انتخاب شركت ­ها به صورت منحصربفرد و همچنين محدوديت بودجه مي ­باشد. به منظور حل مساله، دو الگوريتم فراابتكاري ژنتيك و گرگ خاكستري توسعه داده شده كه با استفاده مثال ­هاي عددي برگرفته از 491 شركت پذيرفته شده در بورس اوراق بهادار تهران و فرابورس ايران از تاريخ 5 فروردين 1397 تا 30 آذر 1400، مورد تجزيه و تحليل عددي قرار گرفتند. مطابق با نتايج عددي مي­ توان مشاهده نمود الگوريتم گرگ خاكستري در تمامي مثال ­ها داراي كارايي بالاتري نسبت به الگوريتم ژنتيك است. البته قابل توجه است كه در هيچ كدام از مثال­ هاي عددي، درصد پاسخ­ هاي ناموجه در رويه بهبود الگوريتم ­ها از 10/02 درصد بيشتر نشده است. همچنين درصد بهبود كارايي الگوريتم گرگ خاكستري نسبت به الگوريتم ژنتيك بين 3 تا 11 درصد گزارش شده است.

The purpose of this study is to optimize the portfolio in companies listed on the Iran capital market (Tehran Stock Exchange and Iran Farabours) as a multi-objective optimization problem. The first objective function includes risk minimization and the second objective function includes return maximization. The limitations of the model include the limitation of selecting companies individually as well as the limitation of budget. In order to solve the problem, two genetic metaheuristic algorithms and a gray wolf have been developed, which are analyzed using numerical examples taken from 491 companies listed on the Tehran Stock Exchange and the Iran Farabours market from April 26, 2016 to December 21, 2022 were subjected to numerical analysis. According to the numerical results, it can be seen that the gray wolf algorithm has a higher efficiency than the genetic algorithm in all examples. It is noteworthy, however, that in none of the numerical examples did the percentage of unwarranted responses in the algorithm improvement procedure exceed 10.2%. Also, the percentage improvement of the gray wolf algorithm compared to the genetic algorithm is reported to be between 3 and 11%.