بررسی کارآمدی مدل‌ های بهینه ‌سازی میانگین-نیم واریانس، ارزش در معرض خطر مشروط و الگوریتم‌ ژنتیک چند هدفه( nsgaii) cvar در تعیین سبدسهام شرکت‌های پذیرفته شده درسازمان بورس اوراق بهادار تهران

انتخاب سبدسهام بهینه به عنوان مسئله‌ای مهم در اقتصاد مطرح است. تکنیک و ابزارهای متعددی برای حل مساله سبد بهینه سهام وجود دارد. در این پژوهش داده‌های 15 سهام از شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران شامل نمادهای؛ خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت با روش نمونه‌گیری خوشه‌ای و حذف سیستماتیک انتخاب شدند. ابتدا بازده این سهام بصورت روزانه در بازه زمانی 31/3/1394-31/3/1399 طی 5 سال به مدت 1183 روز محاسبه گردید. سپس با استفاده از مدلهای ریسک میانگین-نیم واریانس، ارزش در معرض خطر مشروط، ریسک سبد سرمایه‌گذاری آنها محاسبه می-شوند. و این دو معیار از روش حل کلاسیک با هم مقایسه می‌شوند. خروجی بهینه‌سازی سبد با هر یک از این ریسک‌ها وزن متفاوتی از هر سهم را نشان می‌دهد. سپس مدل‌های ریسک میانگین-نیم-واریانس و ارزش در معرض خطر مشروط از روش فرا ابتکاری الگوریتم ژنتیک چند هدفه با هم مقایسه می‌شوند. نتایج حاکی از آن است که روش الگوریتم ژنتیک چند هدفه در مقایسه با روش کلاسیک بازدهی سبد بیشتری در معیار میانگین-نیم‌واریانس به نمایش گذاشت. لذا روش بهتری برای بهینه ‌سازی سبد سهام است.

examining the efficiency models, markowitz mean–semi varianc, var and multi-objective genetic algorithm (nsgaii) under msv and cvar risk criterion in selection optimal portfolio shares listed firms on stock exchange

the issue of selecting optimal portfolio has always been the most important among the issues of economics. there are multiple techniques and tools to solve the issue of optimization portfolio. in this research, using data of a basket including 15 companies listed on the tehran stock exchange, including symbols; pkod, zmyd, bpas, fold, mkbt, golg, msmi, ptap, ssep, azab, fkas, nbeh, pfan, gmro and gsbe were selected by research method of cluster sampling and elimination systematic. the first return of these stocks was calculated daily in the periodof 31/3/1394-31 / 3/1399 for 5 years for 1183 days. then, the optimization methodsof mean-half variance, conditional risk value using multi-objective genetic algorithm(nsga ii) were calculated under the criterion of mean-half variance risk andconditional risk value using matlab (r2019) software. and the weight of each shareand the return and risk of 10 scenarios for each portfolio based on each of theoptimization models. the results of this study indicate that the optimization model ofmulti-objective genetic algorithm (nsgaii) under the mean-half variance risk criterionis more efficient than other optimization methods in this study.