بهینه سازی پرتفوی متشکل از سهام صندوق های سرمایه گذاری مشترک بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

هدف اصلی سرمایه¬گذاران کسب بازدهی بیشتر در سطح ریسک قابل قبول است. از سویی گسترش و پیچیدگی روزافزون بازارهای مالی، تصمیم گیری در خصوص انتخاب نوع دارایی را برای سرمایه گذاران دشوار نموده است؛ و نیز بر اساس نظریه پرتفوی، متنوع سازی سرمایه¬گذاری¬ها می تواند منجر به کاهش نوسان¬ها در عین حفظ متوسط بازده گردد. امروزه صندوق های سرمایه گذاری مشترک به عنوان یکی از نهاد¬های نوین بازار سرمایه می¬باشند که با فروش سهام خود به عامه مردم وجوهی را تحصیل و سپس با ایجاد تنوع در دارایی های خود سعی در قابل قبول سازی ریسک سرمایه گذاری، به وسیله ی کاهش و یا حذف ریسک سیستماتیک، دارند. این پژوهش به دنبال بررسی مقایسه¬ای توان پیش بینی مدل رگرسیون با استفاده از داده های ترکیبی به عنوان مدلی خطی و روش شبکه های عصبی مصنوعی به عنوان روشی غیرخطی و سپس امکان بهینه سازی پرتفوی متشکل از سهام صندوق های سرمایه گذاری مشترک با استفاده از الگوریتم ژنتیک و در نهایت مقایسه آن با مدل مارکویتز می باشد؛ همچنین جهت مقایسه پرتفوی¬ها، تأثیر اندازه سبد سرمایه¬گذاری نیز مورد بررسی قرار گرفته است. برای این منظور ابتدا عوامل موثر بر بازده صندوق های سرمایه گذاری مشترک در قالب 13 متغیر شناسایی شدند. نتایج نشان می دهد که با استفاده از معیارهای ارزیابی عملکرد مذکور تا حدودی می¬توان بازده صندوق ها را پیش بینی نمود و هر دو روش رگرسیون با داده های ترکیبی و شبکه¬های عصبی مصنوعی توانایی پیش بینی بازده صندوق ها را دارند اما عملکرد شبکه¬های عصبی مصنوعی بهتر می¬باشد. همچنین با استفاده از آزمون زوجی مشخص شد که بین میانگین بازده پیش بینی شده و واقعی تفاوت معنی داری وجود ندارد. به علاوه اینکه الگوریتم ژنتیک می تواند جهت انتخاب سبد متشکل از سهام صندوق¬های مشترک به کار رود و با استفاده از آزمون زوجی مشخص شد که سبدهای تشکیل شده با استفاده از الگوریتم ژنتیک نسبت به روش سنتی مطلوب تر می¬باشند. همچنین اندازه سبد تأثیر چندانی بر نتایج نداشته و در تمام سطوح، الگوریتم ژنتیک دارای عملکرد بهتری است. ضمناً هرچه تنوع سبد تشکیل شده بیشتر و بزرگ تر باشد، برتری عملکرد الگوریتم ژنتیک بر روش خطی قابل ملاحظه تر می¬شود.