بررسی کارآمدی مدل‌های بهینه ‌سازی فرا ابتکاری الگوریتم ژنتیک چندهدفه تحت معیار ریسکmsv و الگوریتم ازدحام ذرات تحت معیار ریسکcvar در تعیین سبد سهام شرکت‌های پذیرفته شده در سازمان بورس اوراق بهادار

انتخاب سبد سهام بهینه از اهداف اصلی مدیریت سرمایه است. امروزه ابزارها و تکنیک‌های متعددی برای اندازه‌گیری ریسک سبد سرمایه‌گذاری و انتخاب سبد سهام بهینه ارائه شده است. در این مقاله، با استفاده از داده های 15 سهم که با روش نمونه‌گیری هدفمند از شرکتهای برتر سازمان بورس اوراق بهادار تهران انتخاب شده‌اند که شامل خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت هستند، ابتدا بازده این سهام بصورت روزانه در بازه زمانی1394/3/31-1399/3/31 طی 5 سال به مدت 1183 روز محاسبه می‌شوند و سپس با استفاده از نرم افزار متلب مدل‌های بهینه سازی فرا ابتکاری الگوریتم ژنتیک چند هدفه تحت معیار ریسکmsv و الگوریتم ازدحام ذرات تحت معیار ریسکcvar با هم مقایسه می‌شوند. نتایج نشان می‌دهد که مدل‌ الگوریتم ژنتیک چند هدفه تحت معیار ریسک msv دارای بازده بیشتر و ریسک کمتری می باشد، در نتیجه مدل‌ الگوریتم ژنتیک تحت معیار ریسک msv از مدل الگوریتم ازدحام ذرات تحت معیار ریسک cvar کارآمدتر می‌باشد.

examining the efficiency models, genetic algorithm under msv risk and particle swarm optimization algorithm under cvar risk criterion in selection optimal portfolio shares listed firms on stock exchange

abstractchoosing the optimal stock portfolio is one of the main goals of capital management. today, there are several tools and techniques for measuring portfolio risk and selecting the optimal stock portfolio. in this article, using data of 15 shares selected by purposeful sampling method from the top companies of tehran stock exchange organization including; pkod, zmyd, bpas, fold, mkbt, golg, msmi, ptap, ssep, azab, fkas, nbeh, pfan, gmro and gsbe, the first return of these stocks are calculated daily in the period of 31/3/1394 -31/3/1399 for 5 years for 1183 days and then using matlab software models the metaheuristic optimization of the genetic algorithm under the msv risk criterion and the particle swarm algorithm under the cvar risk criterion are compared. the results show that the genetic algorithm model under msv risk criterion is more efficient and less risky, therefore the genetic algorithm model under msv risk criterion is more efficient than the particle swarm algorithm model under cvar risk criterion.