انتخاب سبد سهام (پورتفوی ) با استفاده از الگوریتم ژنتیک فازی

تخصیص مناسب منابع مالی در بازار سرمایه ، از جمله بازار بورس، یکی از مهمترین مسائل روز است. تخصیص درست منابع ،نیازمند زمینه های مناسب سرمایه گذاری از یک طرف و ابزارها و تکنیک های تحلیل مناسب از طرف دیگر می باشد. یک تخصیص مناسب منابع می تواند اطمینان خاطر سرمایه گذار را به دنبال داشته باشد و کارائی را نیز در بازار افزایش دهد. تاکنون الگوهای زیادی برای حل مساله مدیریت سبد سهام ارائه شده است که هر یک با توجه به شرایط و محدودیتهائی طرح شده اند. اولین بار در سال 1925، هنری ماکوویتز تئوری مدرن سبد سهام را مطرح نمود. وی در تئوری خود نشان داد که چگونه می توانم مجموعه ای از سبد سهام را ایجاد نمود به نحوی که هر یک از آن مجموعه ها بیشترین نرخ بازده مورد انتظار ممکن را با توجه به ریسک مشخصی داشته باشند. رفتار سهام در بازار، مانند بسیاری از پدیده های طبیعی، رفتاری غیرخطی است. مدلهای خطی از تشخیص صحیح رفتار غیرخطی عاجز هستند و تنها می توانند بخش خطی رفتار را خواب تشخیص دهند. بنابراین نیاز به الگوها و مدلهای غیر خطی برای شناسائی رفتار سهام تاثیر بسزائی در پیش بینی آتی سهام و اتخاذ تصمیم مناسب دارد. اخیرا روشهای ابتکاری جدیدی برای حل اینگونه مسائل مد نظر قرار گرفته است. یکی از این روشها الگوریتم ژنتیک است که به عنوان یک روش جستجوی کارا کاربرد وسیعی یافته است. الگوریتم ژنتیک که نخستین بار جان هالند در دهه 1960 آن را ارائه داد یکی از الگوریتم های جستجو به حساب می آید که اساس آن مبتنی بر ژنتیک موجودات زنده است. این الگوریتم اصل " بقای انسب " داروین را با یک سری اطلاعات تصادفی ساخت یافته ادغام و یک الگوریتم جستجو ایجاد می کند. الگوریتم ژنتیک با تکنیکهای معمول جستجو تفاوت دارد. این الگوریتم با یک مجموعه ابتدایی از راه حلهای تصادفی که جمعیت نامیده می شود آغاز می گردد. هر فرد در جمعیت، کروموزوم نامیده می شود که نشان دهنده یک راه حل برای مساله موجود است . کروموزومها از طریق تکرارهای متوالی که نسلها نامیده می شوند تکامل می یاند. در هر نسل، کروموزوم ها با استفاده از برخی معیارهای برازندگی ارزیابی می شوند. برای ایجاد نسل بعدی، کروموزوم های جدید که فرزند نامیده می شوند یا بوسیله اصلاح یک کروموزوم با استفاده از عملگر جهشی شکل می گیرند. نسل جدید بوسیله 1) انتخاب برخی از والدین و فزرندان بر اساس مقادیر برازندگی و 2) رد کردن دیگر والدین و فرزندان ، بطوریکه اندازه جمعیت ثابت نگه داشته شود، ایجاد می شود. کروموزومهای برازنده تر احتمال انتخاب شدنشان بیشتر است. پس از چند نسل ، الگوریتم به سمت بهترین کروموزوم همگرا می شود که بطور امیدوار کننده ای راه حل بهینه یا نزدیک به بهینه را برای مساله رائه می کند.