مقایسه عملکرد الگوریتم‏های تکاملی nsgaiiو spea2 در انتخاب پرتفولیوی بهینه در بورس اوراق بهادار تهران

هدف: هدف این پژوهش، مقایسه عملکرد دو الگوریتم‌ از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه، شامل الگوریتم ژنتیک مرتب‌سازی نامغلوب (nsgaii) و الگوریتم تکاملی قدرت پارتو بهبودیافته (spea2) در دو رویکرد میانگین واریانس و میانگین نیمه‌واریانس برای انتخاب پرتفولیوی بهینه سهام در بورس اوراق بهادار تهران است. روش: این پژوهش با استفاده از داده‌های 241سهم در یک بازه زمانی 174 ماهه (از مهر 1385 تا پایان اسفند 1399) در بورس اوراق بهادار تهران صورت گرفته است. پس از طراحی الگوریتم‌های مدنظر و انتخاب پرتفولیوی بهینه بر اساس آن‌ها، با استفاده از نسبت شارپ و آزمون مقایسه میانگین‌ها، عملکرد این پرتفولیوها در مقاطع زمانی سه‌ماهه ارزیابی و مقایسه شدند. یافته‌ها: با انجام آزمون فرضیه، روی نسبت شارپ پرتفولیوهای تشکیل‌شده طبق الگوریتم‌های پژوهش، مشخص شد که الگوریتم spea2 نسبت به الگوریتم nsgaii عملکرد بهتری دارد. با انجام آزمون برگشت (بک تست) با داده‌های واقعی سه‌ماهه منتهی به پایان سال 1400 این یافته تایید شد. همچنین نتایج حاصل از آزمون مقاومت، برتری الگوریتم spea2 به‌عنوان الگوریتم برتر در این پژوهش را نسبت به مدل سنتی مارکوویتز تایید کرد. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که الگوریتم spea2 نسبت به الگوریتم nsgaii در هر دو رویکرد میانگین واریانس و میانگین نیمه‌واریانس برای انتخاب پرتفولیوی بهینه عملکرد بهتری است.

performance comparison of non-dominated sorting genetic algorithm with strength pareto evolutionary algorithm in selecting optimal portfolios in tehran stock exchange

objective: one of the most important issues for all investors, including individual and institutional investors in the stock market, is finding the optimal portfolio. identifying the optimal portfolio in the stock market can be considered a two-objective optimization problem. this problem maximizes and minimizes the return and risk of the portfolio, respectively. like other multi-objective optimization problems, the portfolio optimization problem can be solved by multi-objective evolutionary algorithms (moeas). accordingly, the non-dominated sorting genetic algorithm ( ) and strength pareto evolutionary algorithm ( ), as the two advanced algorithms of multi-objective evolution algorithms, can be used to solve this problem. these algorithms identify the optimal solution by ranking and archiving solutions located on the pareto frontier. the purpose of this research is to compare the performance of  and  in mean-variance and mean-semi-variance approaches to identify the optimal stock portfolio.methods: this research investigated 241 stocks enlisted on the tehran stock exchange (tse). it was conducted within 174 months from september 2006 to march 2019. the researchers first identified the optimal portfolio using nsgaii and spea2 algorithms through two approaches including mean-variance and mean-semi-variance. then, by conducting a statistical hypothesis test on the average sharp ratio of extracted portfolios, the performance of nsgaii and spea2 algorithms were compared. to confirm the research findings, a robustness test was done by comparing the performance of the spea2 algorithm with the traditional markowitz model. also, to ensure the stability of research findings, the performance of two algorithms in the mean-variance and mean-semi variance approaches were compared with quarterly data ending march 2022.results: according to the obtained results, the spea2 algorithm has better performance than the nsgaii algorithm in both approaches. backtesting the real data for the quarter ending inmarch 2022 confirmed the findings of the present study. also by doing robustness tests, the researchers found the spea2 algorithm as the superior algorithm in this research with better performance than markowitz’s basic model.conclusion: the results indicated that the 2 algorithm has better performance in selecting the optimal portfolio than the  algorithm in both the mean-variance and mean-semi variance approaches. regardless of how the stock returns are distributed, this study recommends that individual and institutional investors use the spea2 algorithm to determine the optimal portfolio arrangement.