مقایسه بهینه سازی پرتفولیو با الگوریتم ژنتیک مبتنی بر پیش بینی با روش کلاسیک

در این تحقیق مدل مارکویتز با دو مدل بهینه سازی برای انتخاب سبد بهینه از سهام در دوره شهریور 1389 تا مهر ماه 1390 بورس تهران برآورد می شود. در مدل اول، سبد با روش مرسوم برنامه ریزی درجه دوم بهینه سازی که به روش کلاسیک موسوم است ، بازده سهام از روش تاریخی محاسبه می شود. در مدل دوم ابتدا بازده سهام با روش شبکه عصبی پیش بینی و با روش فراابتکاری حل می شود. مقایسه نتایج دو مدل نشان می دهد که ترکیب موزون سهام در دو مدل با هم متفاوت است ولی میزان کارائی دو مدل تقریبا مشابه هم است. مدل مارکویتز با روش فراابتکاری مبتنی بر پیش بینی با شبکه عصبی با محدودیت تعداد سهام و ملاحظه هزینه مبادله سهام نیز حل شده است. در این مقاله نتایج دو روش بهینه سازی (روش متعارف کلاسیک دقیق و روش فراابتکاری ژنتیک) و با نتایج استفاده از دو روش برآورد نرخ های بازده مورد انتظار (شبکه های عصبی و میانگین بازده تاریخی) در مدل مارکویتز باهم مقایسه شد. بازار سرمایه مورد مطالعه در این تحقیق بورس اوراق بهادار تهران است. از داده های هفتگی شهریور ماه 1389 تا شهریور 1391 برای برآورد مدل ها به اضافه چهار داده هفتگی مهرماه1391 برای آزمون شبکه عصبی استفاده شده است. نتایج نشان می دهد: با وجود اینکه دو روش کلاسیک و ژنتیک وزن های مختلفی برای تشکیل سبد توصیه می کنند ولی ترکیب آنها سطح ریسک و بازده تقریبا یکسانی ارائه می کنند. مدل کلاسیک به مقدارن اچیزی بالاترازالگوریتم ژنتیک قرار داردکه اختلاف ان ها دربسیاری ازنقاط کاملا ناچیزو دربعضی ازنقاط به حدود کمتر از دو درصد می رسد با توجه به اینکه هر مساله ای با ابعاد خیلی بزرگ با روش کلاسیک قابل حل نبوده و زمان بسیار زیادی خواهد گرفت پس روش الگوریتم ژنتیک روش مناسبی برای حل مسایل خواهد بود. از آنجا که روش ژنتیک نتایج بسیار نزدیکی را نسبت به روش کلاسیک تولید کرده است، این موضوع می تواند دلیل مناسبی برای کارائی الگوریتم ژنتیک می باشد. بازده حاصل از سیاست های مختلف سرمایه گذاری برای چهار زمان پیش بینی که با استفاده از بازده های مورد انتظار شبکه عصبی و میانگین بازده تاریخی همراه با روند شاخص کل نشان می دهد، روش شبکه عصبی در سه ماه ابتدائی بهتر از روش میانگین بازده تاریخی عمل نموده است.