مقایسه عملکرد الگوریتم سیاهچاله با مدل مارکویتز در انتخاب پرتفوی بهینه

در مسیله ی بهینه سازی پرتفوی، مدل مارکویتز همچنان رویکرد غالب است اما زمانی که تعداد داراییهای قابل سرمایه گذاری و محدودیتهای موجود در بازار از حالت تیوری خارج شده و به دنیای واقعی تعمیم مییابد مسیلهی بهینهسازی پرتفوی به راحتی با استفاده از شیوه های ریاضی و مدل سنتی مارکویتز قابل حل نمیباشد. به همین دلیل در این تحقیق ما با استفاده از هوش مصنوعی و الگوریتم ابتکاری سیاهچاله به بهینهسازی پرتفوی پرداختهایم و نتایج حاصل را با نتایج حاصل از مدل مارکویتز مقایسه کردهایم تا ببینیم که آیا روش بهینه سازی پرتفوی الگوریتم سیاه چاله بهتر از روش مارکویتز عمل میکند یا خیر. بدین منظور با توجه به اینکه این پژوهش صرفا مقایسه دو روش میباشد، تعداد 10 شرکت که به صورت تصادفی از شاخص S&P500 انتخاب شدهاند را طی یک دورهی 3 ساله از ابتدای سال 2013 تا انتهای سال 2015 در نظر گرفته و مرزهای کارای حاصل از دو روش را که با 10 پرتفوی به دست آمدهاند، با استفاده از معیار شارپ با هم مقایسه کردهایم و به این نتیجه میرسیم که الگوریتم سیاهچاله در بهینه سازی سبد سهام در مقایسه با روش مارکویتز عملکرد ضعیفتری دارد.

Keywords:

بهینه سازی سبد سهام , مدل مارکویتز , الگوریتمهای فراابتکاری , الگوریتم سیاهچاله , معیارشارپ