انتخاب یک سبد سهام از بین سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه‌سازی الگوریتم ژنتیک

نویسندگان

1 استادیار حسابداری، دانشگاه تهران، تهران، ایران.

2 کارشناس ارشد حسابداری، دانشگاه تهران، تهران، ایران.

چکیده

انتخاب سبد سهام عمل دشوار و سختی در مبحث سرمایه‌گذاری است. در این فرآیند سرمایه‌گذار خود را در مقابل انتخاب‌های زیاد و بی‌نهایت گوناگونی می‌بیند که باید یکی از آنها را به عنوان بهترین روش انتخاب نماید. تصمیم‌گیری در خصوص این که کدام سهم در مقایسه با سایر سهام در وضعیت بهتری قرار دارد و شایستگی انتخاب شدن و قرار گرفتن در سبد سرمایه‌گذاری فرد را دارد و نحوه تخصیص سرمایه بین این اوراق، مباحثی پیچیده می‌باشند. از لحاظ تئوری، موضوع انتخاب سبد سهام در حالت حداقل نمودن ریسک در صورت ثابت در نظر داشتن بازده، با استفاده از فرمول‌های ریاضی و از طریق یک معادله درجه دوم قابل حل است، لیکن در عمل و در دنیای واقعی با توجه به گوناگونی ابزارهای سرمایه‌گذاری و متفاوت بودن تابع مطلوبیت افراد در مقایسه با یکدیگر، رویکرد ریاضی مورد استفاده برای حل این مدل نیازمند محاسبات و برنامه‌ریزی وسیعی است. هدف تحقیق حاضر انتخاب یک سبد سهام از بین سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل بهینه‌سازی الگوریتم ژنتیک است، به گونه‌ای که سبد حاصله ضمن بیشینه نمودن بازده، ریسک سرمایه‌گذاری را نیز کمینه نماید. به‌ منظور دستیابی به این هدف 40 سهم از بین سهام موجود در جامعه آماری انتخاب گردیدند. پس از محاسبه متغیرهای اصلی تحقیق (ریسک و بازده ماهانه برای دوره زمانی 8 ساله) و تهیه الگوریتم لازم جهت انجام برنامه، با توجه به فرضیات تحقیق، در سطوح مختلفی از اندازه سبد، نتایج حاصل از هر بار اجرای این الگوریتم با نتایج حاصل از مدل مارکویتز و انتخاب تصادفی مقایسه شد. انجام آزمون‌های آماری مربوط بر روی نتایج فرضیه‌های شماره 1 و 2، حاکی از وجود اختلاف معنی‌دار و برتری قابل توجه نتایج حاصل از روش الگوریتم ژنتیک در مقایسه با نتایج حاصل از مدل مارکویتز و تصادفی بودند.

کلیدواژه‌ها


جانسون، ریچارد، آ. و دین دبلیو و چرن. (1998). تحلیل آماری چند متغیری کاربردی، ترجمه حسینعلی نیرومند (1384)، موسسه چاپ و انتشارات دانشگاه فردوسی مشهد، مشهد.
حکیمی، ناصر (1379).  بررسی ریسک و بازده شرکت های سرمایه‌گذاری عضو بورس اوراق بهادار و مقایسه آن با ریسک و بازده سایر شرکت‌های عضو. پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.
ظهوری، قاسم.(1378). کاربرد روش‌های تحقیق علوم اجتماعی در مدیریت، موسسه انتشاراتی میر، تهران.
عبدالعی‌زاده شهیر، سیمین (1381)، ارائه روش کارا برای حل مسئله مجموعه دارایی بهینه، پایان نامه کارشناسی ارشد، دانشگاه صنعتی شریف، تهران.
Andreou, A. S., Georgopoulos, E. F., and S. D. Likothanassis. (December, 2002). Exchange-Rates Forecasting: A Hybrid Algorithm Based on Genetically Optimized Adaptive Neural Networks, Computational Economics. 20, 191-210, Springer Netherlands.
Chan, M., Wong, C., Cheung, B. K-S. And G. Y-N Tang. (1999).Genetic Algorithm in Multi-Stage Portfolio Optimization System, Hong Kong: The Hong Kong Polytechnic University. Provided by Society for Computational Economics in the series computing in Economics and Finance  2002, No.165.
Fichter, D. P. (2000). Application of Genetic Algorithm in Portfolio Optimization for the Oil & Gas Industry, Society of Petroleum Engineers Inc. SPE Annual Technical Conference and Exhibition, Dallas, TX, 1-4 October 2000.
Gen, M. and R. Cheng. (2000). Genetic Algorithm and Engineering Optimization, New York: Wiley – Inter science Publication.
Goldberg, D. E., (1989).Genetic Algorithms in Search, Optimization and Machine Learning, Boston: Addison-Wesley Longman Publishing Co.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, The University of Michigan.
Lazo, J. G., Maria, M., Vellasco, R., Auelio, M. and C. Pacheco. (2000). A Hybrid Genetic – Neural System for Portfolio Selection and Management, Proceeding Sixth Int. Conf. on Engineering Applications of Neural Networks, EANN2000. Kingston upon Thames.
MaHfoud, S. and G. Mani. (December, 1996). Financial Forecasting Using Genetic Algorithms, Applied Artificial Intelligence. 10, 543-566, Taylor & Francis.
Pacheco, M. A., Vellasco, M., Noronha, M. and C. Lopes. (2000). Cash flow Planning and Optimization through Genetic Algorithm, Provided by Society for Computational Economics in the series Computing in Economics and Finance, No. 333.