ارائه ترکیبی از برنامه‌ریزی پویای تصادفی تقریبی و الگوریتم ژنتیک در بهینه‌سازی چندمرحله‌ای سبد سهام با معیار ریسک gluevar

هدف: انتخاب یک سبد سرمایه‌گذاری بهینه در طولانی‌مدت منطقی نیست و با گذشت زمان کارایی خود را از دست می‌دهد. هدف این مقاله ارائه روشی برای به‌روز کردن چندمرحله‌ای سبد سهام است. همچنین از آنجا که بعد این مسئله با گذشت دوره‌های زمانی، به‌صورت چشمگیری افزایش می‌یابد، حل مسئله به‌روش قطعی ممکن نیست، از این رو هدف دیگر، استفاده از روش تقریبی برای مقابله با این دغدغه است.روش: از برنامه‌ریزی پویای تصادفی تقریبی چندمرحله‌ای برای تعیین سبد بهینه سهام و رفع مشکل ناکارایی آن با گذشت زمان استفاده شده است. از نرخ‌های بازده به‌عنوان متغیر تصادفی طی دوره‌ها، از روش مونت کارلو برای سناریوسازی و از معیار ریسک gluevar به‌عنوان معیار اندازه‌گیری ریسک استفاده شده است. با استفاده از روش تقریبی، امکان حذف برخی از جواب‌های بهینه افزایش می‌یابد، از این رو، از الگوریتم ژنتیک برای جست‌وجو در اطراف پاسخ بهینه بهره برده شد تا در صورت امکان، جواب بهتری به‌دست آید. مدل‌سازی این پژوهش توسط نرم‌افزار متلب و آزمون‌های آن به‌کمک نرم‌افزار spss صورت پذیرفته است.یافته‌ها: در این مقاله از اطلاعات 100 شرکت برتر موجود در بورس اوراق بهادار تهران، در سال‌های 1390 تا 1396 استفاده شد و بر اساس روش برنامه‌ریزی پویای تقریبی پیشنهادی، الگوریتم ژنتیک و روش سبد سهام با وزن‌های برابر، به مقایسه بازدهی و ریسک سرمایه‌گذاری در سبدهای مختلف پرداخته شده است.نتیجه‌گیری: آزمون‌های آماری مربوطه نشان‌دهنده عملکرد بهتر روش پیشنهادی در مقایسه با دو روش دیگر است.

A Hybrid Model of Stochastic Dynamic Programming and Genetic Algorithm for Multistage Portfolio Optimization with GlueVaR Risk Measurement

Objective: The selection of an optimal investment portfolio for a longterm period does not seem logical. So the investors should update their investment portfolios over specific time periods if needed. Since the problem dimensions significantly increase after the periods, a definitive solution to the problem is not achievable.Methods: In this regard, the Multistage Approximate Stochastic Dynamic Programming has been used to make the best portfolio over each period by using a stochastic return rate. The Monte Carlo was used for scenario development, and GlueVar was selected as a risk measurement criterion. The approximation technique was used to resolve for large dimensions; however, some optimized solutions may be eliminated so we used the Genetic Algorithm for the rapid search around the optimal solution to obtain a better one, if possible.Results: Top 100 companies listed in the Tehran Stock Exchange between 2011 and 2017 were investigated. This study investigated and compared the return and risk of investment portfolios based on the proposed method, Genetic Algorithm, and stock portfolio with equal weights. The modeling was done with MATLAB and tests were carried out with SPSS.Conclusion: The results indicated a higher performance of the proposed method in comparison with the other mentioned methods.