بهينه سازي سبد سهام مبتني بر مدل برنامه ريزي امكاني استوار با استفاده از الگوريتم‌هاي ژنتيك و جهش قورباغه مخلوط شده

Portfolio Optimization Based on Robust Probablistic Planning Model Using Genetic Algorithm and Shuffled Frog-leaping Algorithm

در مسيله انتخاب سبد سرمايه گذاري كه يكي از مهم ترين مسايل در حوزه مالي است، استفاده از مدلي كه بتواند شرايط محيط هاي واقعي را در نظر بگيرد، اهميت دارد. در بازارهاي مالي، نوسانات شديد و متواتر سبب تغيير مكرر در خروجي هاي مدل هاي سبد سرمايه گذاري مي گردد و اين مسيله نياز به تغيير وزن دارايي هاي موجود در سبد را افزايش مي دهد كه سبب تحمل هزينه هاي بالاي مديريتي و معاملاتي مي شود. در ادبيات موجود در زمينه مدل هاي سبد سرمايه گذاري، يكي از رويكردهاي مقابله با اين نوع هزينه هاي زياد رويكرد بهينه سازي استوار است. در اين پژوهش تلاش شده است از الگوريتم ژنتيك و الگوريتم جهش قورباغه مخلوط شده براي حل مدل برنامه ريزي امكاني استوار ارايه شده توسط اميري و حيدري (1399) در ابعاد بزرگ تر و به منظور بهينه سازي سبد سهام استفاده شود. در اين راستا 15 مسيله معين با ابعاد (تعداد شركت و دوره زماني) مختلف طراحي شده و پردازش روي آن ها صورت مي گيرد. نتايج حاصل از اجراي دو الگوريتم بر روي 15 مسيله مذكور با استفاده از آزمون آماري T مورد مقايسه قرار گرفته است كه بيانگر عدم تفاوت معنادار بين دو الگوريتم در انتخاب سبد سرمايه گذاري است اما رويكرد تركيبي تاپسيس و وزن دهي آنتروپي، الگوريتم ژنتيك را به عنوان الگوريتم برتر انتخاب مي كند.

Portfolio selection problem which is one of the most important issues in finance, using a model that considers conditions of the real world is important. In financial markets, severe and frequent fluctuations cause frequent changes in the portfolio selection models outputs, which increases the number of times to change the weight of portfolio's assets, and so that incurs high management and transaction costs. In the literature of portfolio selection models, one of the approaches to prevent this kind of high costs is robust optimization approach. In this study, in order to optimize the portfolio, genetic algorithm and shuffled frog-leaping algorithm are used to solve robust probablistic planning model presented by Amiri and Heidari (1399) in higher dimensions. To this end, 15 specific problems with different dimensions (number of companies and time periods) are designed and processed. The results of the implementation of two algorithms on the above 15 problems were compared using T-test, which shows no significant difference between two algorithms in portfolio selection problem, but the combined approach of TOPSIS and entropy weighting selects the genetic algorithm as superior algorithm.