به‌كارگيري الگوريتم ژنتيك براي انتخاب پرتفوليوي بهينه اي با اهداف غيرخطي (بورس اوراق بهادار تهران)

Using Genetic Algorithms for a Portfolio Selection regarding to Nonlinear Goals (Tehran Stock Exchange)

عموماً سرمايه گذار در مسيله انتخاب پرتفوليو اهداف چندگانه و متناقضي از قبيل بازدهي، ريسك و نقدشوندگي مدنظر دارد. از طرف ديگر سرمايه گذار داراي ترجيحات خاص خود در مورد اهداف است. مرور ادبيات تحقيق نشان مي دهد، از جمله اهدافي كه در مسيله انتخاب پرتفوليو استفاده نشده است، حداقل‌كردن ريسك غيرسيستماتيك و حداكثرسازي چولگي بازدهي پرتفوليو است. در اين تحقيق سعي شده است به منظور انتخاب پرتفوليوي بهينه، از بين سهام 50 شركت برتر بورس اوراق بهادار تهران مدلي چندهدفه براي بهينه كردن اهداف، بازدهي، ريسك سيستماتيك، ريسك غيرسيستماتيك، نقدشوندگي، ضريب چولگي و نسبت شارپ طراحي شود. مدل طراحي شده غيرمحدب است و نمي توان آن را با الگوريتم هاي تحقيق در عمليات بهينه كرد. بنابراين از الگوريتم ژنتيك براي بهينه‌كردن مدل استفاده شده است. مقايسه جواب حاصل از الگوريتم ژنتيك با مدل كلاسيك ماركويتز و مدل آرماني با اهداف خطي و غيرخطي (درجه دوم) نشان مي دهد كه اگرچه بازدهي پرتفوليو حاصل از الگوريتم ژنتيك كمتر از مدل‌هاي ديگر است، اما كاهش بازدهي با كاهش در ميزان ريسك جبران شده و معيارهاي تعديل‌شده بر مبناي ريسك بر بهتر بودن جواب حاصل از الگوريتم ژنتيك صحه مي گذارد. همچنين پرتفوليو حاصل، تنوع بيشتري نسبت به پرتفوليو مدل‌هاي ديگر دارد.

Generally, investors consider simultaneously conflicting objectives such as rate of return, risk and liquidity in portfolio selection. On the other hand, every investor has his own specific preferences about objectives. Therefore, we can use Multi Objective Decion Making (MODM) techniques in order to solve portfolio selection problem. The Studies shows that a MODM technique by nonlinear goals such as minimization of nonsystematic risk and skewness maximization isn’t employed for portfolio selection, so a new approach is applied. We employ MODM model to select a best portfolio in 50 superior companies in Tehran stock exchange with regards to optimization objectives of return, systematic risk, nonsystematic risk, skewness, liquidity and sharp ratio. This model is non-convexed, so operational research algorithms can not find the best solution; therefore we use Genetic Algorithms (GA) for achieving nonlinear multi-objective model. In the end, the result of GA is comprised with Markwitz classic model and goal programming (containing linear and nonlinear objectives). The comparison indicates that although return of the portfolio of GA model is less than the other models, but GA has the best results in decreasing risk criteria which completely cover the return and lead to best results. The other advantage of using GA is a higher diversification in its proposed portfolio in comparison with other models.