بهینه سازی سبدسهام با استفاده از روش k-means و الگوریتم ژنتیک

 دیدگاهی که در این مقاله ارائه می دهیم در دو مرحله جای می گیرد: مرحله ی اول طبقه بندی سهم ها ی پورتفوی ابتدایی با روش k-means به دسته های کوچکتر است، سپس طبقه ای که کمترین ریسک و بیشترین بازده را دارد یا به عبارتی طبقه ای که بهینه تر می باشد را به عنوان ورودی الگوریتم خود که آن را MinVaRMaxR نامیده ایم برمی گزینیم. الگوریتم مذبور،الگوریتم پویایی، براساس الگوریتم ژنتیک و مفهوم ارزش در معرض خطر می باشد. هدف ما از اجرای این الگوریتم، مینیمم کردن ریسک و ماکسیمم کردن بازده پورتفوی، به صورت همزمان می باشد. به همین منظور 100 شرکت عضو بورس اوراق بهادار تهران طی سالهای 1388، 1389 و 1390 به صورت روزانه مورد مطالعه قرار گرفته است. توزیع داده ها نرمال نبوده، به همین دلیل از آزمون های آمار ناپارامتری جهت آزمون فرضیات استفاده شده است. نتایج تحقیق بیانگر آن است که طبقه بندی داده ها وسپس اجرای الگوریتم ژنتیک روی طبقه ی بهینه موجب دستیابی به پورتفویی می شود که نسبت به پورتفوهای حاصل از اجرای ژنتیک به تنهایی، دارای ریسک کمتر و بازدهی بیشتر است. همچنین در مورد سبدهای با اندازه ی کوچکتر، الگوریتم ژنتیک خود به خود سبدی را بر می گزیند که در طبقه ی بهینه ی انتخابی الگوریتم طبقه بندی جای گرفته است.