ارايه الگوريتم هوشمند تركيبي بر پايه مدل فازي ميانگين - واريانس- چولگي براي انتخاب پرتفوليو

A Hybrid Intelligent Algorithm for Portfolio Selection using Fuzzy Mean-Variance-Skewness

مهمترين مسيله مطرح براي سرمايه گذاران به خصوص در آغاز فعاليت اقتصادي، مسيله نحوه تخصيص سرمايه به يك يا چند گزينه مختلف سرمايه گذاري است تا ضمن داشتن حداكثر بازده، حداقل ريسك را متحمل شوند. اين موضوع در ادبيات اقتصادي به عنوان مسيله انتخاب پرتفوليو مطرح است. اين مقاله بر آن است كه به ارايه روشي كارا به منظور پشتيباني از فرد تصميم گيرنده در انتخاب پرتفوليو مناسب جهت سرمايه گذاري بپردازد. در اين مطالعه، انتخاب پرتفوليو مبني بر مدل ميانگين- واريانس- چولگي در نظر گرفته مي شود كه به منظور تطبيق هر چه بيشتر مدل با دنياي واقعي، بازده هاي سهام به صورت متغيرهاي فازي فرض شده اند. در اين مقاله به منظورحل اين مدل غير خطي يك الگوريتم هوشمند تركيبي جهت رسيدن به جوابي بهينه / نزديك به بهينه ارايه شده است. در روش ارايه شده، از الگوريتم ژنتيك به منظور جستجوي پرتفوليو و از شبكه عصبي مصنوعي آموزش داده شده با شبيه سازي فازي جهت تخمين بازده و ريسك پرتفوليو استفاده مي شود. در اين الگوريتم به جهت استفاده از شبكه عصبي مصنوعي در تخمين مقادير، زمان محاسبات به طور قابل ملاحظه اي در مقايسه با استفاده مستقيم از شبيه سازي فازي كاهش يافته است. همچنين در انتها با ارايه چند مثال عددي كارايي الگوريتم پيشنهادي در مقايسه با چند الگوريتم تركيبي ديگر سنجيده شده است.

The most important problem for investors, at the beginning stages of their works, is the way of assigning their investment to one or more different investment alternatives in such a way that with the least possible risk the maximum return become obtainable. In the economic literature this is known as the problem of portfolio selection. This article tries to introduce an efficient way for supporting decision maker in the selection of appropriate portfolio for investment purposes. The portfolio is based upon the mean-variance-skewness with the return of portfolio is considered to be fuzzy to match with the world reality more. This article proposes a hybrid intelligent algorithm for finding an optimal or new optimal solution of the problem. Here, authors use Genetic Algorithm to find the right portfolio with the help of neural network and fuzzy computer simulation knowledge. Due to the fact that trained neural network was used the computation time has reduced tremendously in comparison with the straight use of the fuzzy simulation. Authors have used two example problems to demonstrate the efficiency of the proposed algorithm in comparison with other hybrid algorithms from the literature.