ترکیب الگوریتم ژنتیک در بهینه سازی سبد سهام در تصمیم گیری مالی سرمایه‌گذاران

هدف این پژوهش ترکیب الگوریتم ژنتیک در بهینه سازی سبد سهام در تصمیم گیری مالی سرمایه‌گذاران می‌باشد؛ در یک پروژه شبیه سازی، استفاده نهایی از داده‌های ورودی برای ساختن مدل شبیه سازی می‎باشد. این فرآیند شامل جمع آوری داده‌های ورودی، آنالیز کردن داده‌های ورودی و استفاده از این داده‌های ورودی آنالیز شده در مدل شبیه سازی است. جامعه آماری پژوهش شامل 20 نماد (شرکت) از بین صنایع (وبصادر، وتجارت، اخابر، فخوز، فارس، بالبر، تپمپی، خساپا، خودرو، سشرق، سصوفی، شبهرن، شپنا، غپینو، فولاد، قثابت، کسرا، وبانک، ونفت، ونیکی) و اطلاعات مربوط به قیمت روزانه سهام و میزان شاخص روزانه از تاریخ 1 دی ماه 1387 الی 26 دی ماه 1400 به عنوان نمونه در نظر گرفته شد. ابزار جمع آوریاطلاعات و داده‎ها با استفاده از سایت فیپیران می‎باشد و میزان بتا (ریسک) سهام بصورت ماهیانه با استفاده از نرم افزار اکسل محاسبه و میزان فراوانی بازده و بتا (ریسک) محاسبه شده را با استفاده از نرم افزار spss بدست آورده و با استفاده از نرم افزار easy fit به تابع‌های توزیع پرداخته شد؛ نتایج نشان داد که در صورتیکه عامل‌ها مبتدی هستند برای کسب سود بیشتر از رفتار نرمال و ریسک 40% را قبول کنند میزان سود بدست آمده پس از بهینه نمودن مدل با الگوریتم ژنتیک بیشتر از مدل اولیه می‌باشد. درصورتیکه عامل‌ها حرفه ایی هستند برای کسب سود بیشتر از رفتار ریسک گریز و ریسک 80% را قبول کنند میزان سود بدست آمده پس از بهینه نمودن مدل با الگوریتم ژنتیک بیشتر از مدل اولیه می‌باشد.

the combination of genetic algorithm in the optimization of the stock portfolio in the financial decision of investors

the purpose of this research is to combine the genetic algorithm in the optimization of the stock portfolio in the financial decision making of investors; in a simulation project, the final use of the input data is to build the simulation model. this process includes collecting input data, analyzing the input data, and using these analyzed input data in the simulation model. the statistical population of the research includes 20 symbols (companies) from among the industries (vabsadar, vetjarat, akhaber, fakhuz, fars, balbar, tapampi, khasapa, khodro, sasharq, sosofi, shobhorn, shapna, ghopino, fould, ghasabat, kesra, vanbank, vanneft, veniki) and the information related to the daily stock price and the daily index value from decembre 22, 2008 to january 16, 2020 was considered as a sample. the tool for collecting information and data is using the phipiran site, and the amount of beta (risk) of stocks is calculated monthly using excel software, and the frequency of return and beta (risk) calculated using spss software, and distribution functions were discussed using easy fit software; the results showed that if the agents are beginners to earn more profit than normal behavior and accept 40% risk, the amount of profit obtained after optimizing the model with genetic algorithm is more than the initial model. if the agents are professionals to earn more profit than risk-averse behavior and accept 80% risk, the amount of profit obtained after optimizing the model with genetic algorithm is more than the initial model.