مدل هوش مصنوعی برای ساخت ترکیبی بهینه سازی سبد سرمایه گذاری با استفاده از داده های تاریخی قیمت سهام

هدف این مقاله پیاده سازی یک الگوریتم ژنتیک با هدف ایجاد یک سبد سرمایه گذاری بهینه است که مجموعه داده های سهام شرکت های فهرست شده در بازار بورس نیجریه را بررسی می کند. ارائه یک راهنمای تحقیق محور به سمت ارزیابی و پیاده سازی کسب و کار پورتفولیو برای بازده ریسک.

طراحی/روش/رویکرد

رویکرد این بود که مسئله انتخاب پورتفولیو به عنوان یک مسئله برنامه ریزی ریاضی برای بهینه سازی بازده پورتفولیو تدوین شود. با نسبت شارپ محاسبه می شود. سپس یک الگوریتم ژنتیک (GA) برای حل مدل فرموله شده اعمال می شود. GA منجر به یک پرتفوی بهینه شده می شود که تخصیص دارایی موثر را برای دستیابی به بازده بهینه پیشنهاد می کند.

یافته ها

این رویکرد سرمایه گذار را قادر می سازد تا در انتخاب و سرمایه گذاری در یک سبد سرمایه گذاری، ریسک محاسبه شده ای را متقبل شود، ریسک ها را به حداقل می رساند و بازده را به حداکثر می رساند. سرمایه گذار می تواند بر اساس بازده مورد انتظار پیشنهاد شده از پرتفوی بهینه، یک تصمیم سرمایه گذاری صحیح اتخاذ کند.

محدودیت ها / مفاهیم تحقیق

داده های مورد استفاده برای ساخت و اجرای مدل GA به قیمت های بازار سهام محدود شد. از این رو، از سرمایه گذاری پرتفویی که برای ترکیب ابزار دیگری از بازار سرمایه استفاده می شود، استفاده شد.

مفهوم عملی

مدیران سرمایه گذاری می توانند این روش GA را برای حل تنگنای معمول در انتخاب یا تعیین سهامی که به سرمایه گذاران بالقوه برای سرمایه گذاری توصیه می کنند، پیاده سازی کنند و همچنین توصیه کنند که کدام نسبت به اشتراک گذاری سرمایه برای کاهش ریسک و دستیابی به ترکیب بهینه پرتفوی با هدف دستیابی به بازده بهینه است. سرمایه گذاری.

اصالت/ارزش

ارزش پیشنهادی این مقاله به دلیل جامع بودن آن در در نظر گرفتن اقدامات بسیار مهم در انتخاب پرتفوی بهینه مانند ریسک، نسبت نقدینگی، بازده، تنوع و تخصیص دارایی است.

کلید واژه ها

• الگوریتم ژنتیک
• نسبت شارپ
• تخصیص دارایی ها
• بازدهی بهینه

نقل قول

Adebiyi، S. O.، Ogunbiyi، O. O. و آمول، بی بی (2022)، "مدل هوش مصنوعی برای ساخت ترکیبی بهینه سازی سبد سرمایه گذاری با استفاده از داده های تاریخی قیمت سهام"، مجله مدیریت راجاگیری، جلد. 16 شماره 1، صص 36-62. https://doi. org/10. 1108/RAMJ-07-2020-0036

ناشر

زمرد انتشارات محدود

حق چاپ © 2020، سلیمان اولانرواجو آدبییی، اولودایو اولاتوسیمی اوگونبییی و بیلقیس بولانله آمله.

مجوز

منتشر شده در مجله مدیریت راجاجیری. منتشر شده توسط انتشارات زمرد محدود. این مقاله تحت مجوز Creative Commons Attribution (CC با 4. 0) منتشر شده است. هر کسی ممکن است آثار این مقاله (برای اهداف تجاری و غیر تجاری) را تولید کند ، توزیع ، ترجمه کند و ایجاد کند. شرایط کامل این مجوز ممکن است در http://creativeecommons. org/licences/by/4. 0/legalcode مشاهده شود

1. معرفی

بهینه سازی نمونه کارها یکی از اطلاعات اساسی برای سرمایه گذاران قبل از ایجاد یک انتخاب سرمایه گذاری ناشی از رابطه مستقیم آن با عملکرد یک شرکت است. اصطلاح نمونه کارها به ترکیبی از دارایی هایی که در آن آمده اند و ویژگی های خطر خود را به خطر می اندازد ، اشاره دارد که یک نمونه کارها را به وجود می آورد (دونالد و رونالد ، 2013). عملکرد یک شرکت به نتیجه فعالیت افراد و واحدهای یک شرکت اشاره دارد. این به روش های مختلفی اندازه گیری می شود که شرط بندی بر هدف مورد نیاز داده ها است. از مهمترین اصول اساسی نظریه پول مرسوم ، مدیران این است که مدیران باید به هر حداکثر ارزش ارزش صاحبان صاحبان را به گونه ای عمل کنند (نقوی و همکاران ، 2016). برای سیستم بانکی ، بانکهای تجاری با تصور گسترده یکی از مؤثرترین مضامین سرمایه گذاری منی پس انداز هستند (العروه و خاتایبه ، 2015).

بهبود نمونه کارها به روشی طولانی و دور از تکامل آن کپی شده در ایالات متحده آمریکا بازگردانده شده است. بازار وام مسکن در ایالات متحده در درجه اول بین ماه تقویم گرگوری و آگوست 2007 منفجر شد. بحران پول سال 2007 شیوه عملکرد بیشترین عملکرد در موسسات پول را اصلاح کرد و مدیریت نمونه کارها نیز از این قاعده مستثنی نیست. نقش تاریخی مدیریت نمونه کارها باقی مانده است. با این حال ، ضروریات محدود کننده جدید ، به ویژه در مورد کفایت سرمایه و نقدینگی ، افزایش ارزش و فشار حاشیه ، و شرایط تغییر یافته در بازار ، مدیریت نمونه کارها را به نقش وسیع تری سوق داده است و همچنین آنها باید از نزدیک با مناطق جایگزین مانند امور مالی ، خزانه داری ، اطلاعات خطر هماهنگ شوند. و روش شناسی و کارکردهای تجارت با تجارت (بانک برای تسویه حساب بین المللی ، 2015).

تخصیص استراتژیک این است که استراتژی تقسیم سبد سرمایه گذاری شما در سهام متنوع. تخصیص دارایی انتخابی در راه سرمایه گذاری در این دسته های گسترده به علاوه برای برآورده کردن هدف نیمه دائمی فرد است. توزیع ها می توانند با گذشت زمان به دلیل تغییر در فرصت های سرمایه گذاری ، افق سرمایه گذاری و اقتصاد نیمه دائمی عوامل خطرناک مانند تورم و نرخ بهره متفاوت باشند.

این امر برای مدیران مطلوب شرکتهای خدمات پولی ضروری شده است که در صدر توسعه قرار بگیرند تا عملکرد دارایی های خود را در زیر مدیریت در بالای رقابت خود تقویت کنند ، در حالی که ارائه کالاهای پاسخگو اجتماعی و از این رو توزیع مجدد تعدادی از این مواردسود به تیم های هدف خاص. تنوع یکی دیگر از استراتژی های مهم مدیریت نمونه کارها در پول است. این رویکرد علاوه بر این برای سرمایه گذاران ضروری است. از آنجا که سرمایه گذاران برای گسترش عملکرد و کاهش ریسک نمونه کارها ، سبد سرمایه گذاری خود را متنوع می کنند.

مدیریت نمونه کارها از جمله چالش های بی شماری است که سرمایه گذاران با آن روبرو هستند و این افراد بدون هدف در مناطق نامربوط که اوراق بهادار ، خواص ، وام ها و وام ها را تجسم می کند ، به شدت وقف شده است. ایجاد یک انتخاب نمونه کارها یکی از مشکلات متعدد سیاست در هر اعتماد سرمایه گذاری است. همکار سرمایه گذاری در یک نمونه کارها یک انتخاب سکسی برای اعتماد سرمایه گذاری فراهم می کند زیرا این امکان را برای حداکثر رساندن بازده و به حداقل رساندن خطرات در مقایسه با سرمایه گذاری در اوراق بهادار سفید فراهم می کند ، بنابراین الزام به تشکیل یک نمونه کارها هوشمند است.

نتیجه این مطالعه می تواند داده های هوشمندانه ای را ارائه دهد که ممکن است سرمایه گذاران را برای جمع آوری و حفظ مزیت رقابتی ملک و افزایش سهم بازار آنها از طریق بزرگ شدن بازار جدید تغییر دهد. این احتمالاً به سرمایه گذاران نیجریه اطلاع می دهد تا از اقتصاد مقیاس و منجر به بهبود عملکرد استفاده کنند. علاوه بر این ، مدیران سرمایه گذاری را در ایجاد انتخاب سرمایه گذاری برای شرکت های خود راهنمایی می کند. آنها درخواست می کنند تا رابطه کمی نفوذ در بازار را گسترش دهند. بنابراین عملکرد شرکت با انتخاب های ایجاد شده توسط این مدیران آسیب دیده است. این مطالعه احتمالاً به آنها کمک می کند زیرا احتمالاً آنها را برای اجرای نقش خود با کارآیی تسهیل می کند و دارای سبد سرمایه گذاری مناسب برای شرکت خود است.

این مطالعه همچنین برای مؤسسات مالی به ویژه سازمان های نظارتی در نیجریه ، کمیسیون امنیت و ارزهای نیجریه را در نقش آنها تضمین می کند که یک بازی صادقانه در بازار توسط همه فعالان مربوط به بازار در تجارت وجود دارد ، مفید خواهد بود. از آنجا که بیشتر سازمان های سرمایه گذاری پاداش سالانه به سهامداران می پردازند که از عملکرد ثبت شده در سال مالی قبل پشتیبانی می کنند ، با تلاش برای تغییر در پرداخت ها ، از سهم یک فرد حمایت می کند. کمبود درآمد ثبت شده توسط سهامداران در سال مالی گذشته ناشی از ترکیبی از چیزها در میان آنها وخیم تر شدن چالش های بهینه سازی نمونه کارها است. توصیه های مطالعه احتمالاً باعث تقویت قیمت سهام در بازار می شود.

این تجزیه و تحلیل پیش زمینه ای برای تجزیه و تحلیل آینده بهینه سازی نمونه کارها سرمایه گذاری در نیجریه است. این به عنوان مرجع برای محققان آینده در مورد بهینه سازی نمونه کارها سرمایه گذاری در خدمت خواهد بود. این مطالعه بهینه سازی نمونه کارها سرمایه گذاری را برای سرمایه گذاران در شرکتهای اختصاصی ذکر شده در بازار سهام نیجریه نشان می دهد. به عنوان الگویی برای بهینه سازی نمونه کارها سرمایه گذاری در آینده برای سرمایه گذاران.

2. بررسی ادبیات

2. 1 قانون الگوریتمی ژنتیکی

این الگوریتم ها به جای هر پارامتر به طور جداگانه با مجموعه ای از پارامترها کار می کنند.

یک جستجوی موازی می تواند برای راه حل بهینه از طریق تعدادی از نقاط انجام شود ، نه از طریق یک نقطه واحد.

ارائه مستقیم از دامنه مشکل می تواند بدون هیچ گونه پارامتری اضافی استفاده شود.

از قوانین احتمالی ممکن است به جای الگوریتم های جستجوی قطعی استفاده شود. »(آگوستو و همکاران ، 2006 ؛ پلاکیناس و دانیوویس ، 2010).

"ایجاد یک منطقه وضوح اولیه تصادفی. در اینجا ، منطقه پاسخ در 0-1 است.

ایجاد یک عملکرد هدف برای ماده ای که مورد نظر برای حل و تحقق آب و هوا در منطقه وضوح به عملکرد هدف تولید شده است ، غالب است که آیا فرد مطابقت دارد یا خیر. عملکرد تناسب اندام ، از طرف مقابل ، این است که ذهن خود را در مورد اینکه آیا ارزش برای راه حل های تعیین شده قابل قبول است ، بپردازید.

افراد موجود در واحد وضوح واحد انتخاب کاربردی که در معرض عملکرد هدف قرار می گیرند و تناسب اندام انجام می دهد. رویکردهای کاملاً متفاوتی برای انتخاب روش ، به عنوان مثال ، نخبه گرایی و تجهیزات بازی وجود دارد.

متقاطع برای ساختن افراد جدید از افراد منتخب انجام می شود. یک یا بسیاری از استراتژی های متقاطع مانند هدف واحد ، اهداف مختلفی اعمال می شود.

جهش پس از روش متقاطع برای افراد اعمال می شود. همان روش برای تغییر جهت جستجو استفاده می شود. باید در یک رابطه بزرگ خاص اعمال شود.

واحد منطقه جدید افراد ، در هر صورت ، این استراتژی ها ، افراد اخیر را با افراد جدید در منطقه وضوح جایگزین می کند.

در نتیجه ، مناسب ترین فرد (ها) در محاسبه جمعیت نخبه هستند و بنابراین موضوع را حل می کنند. "

با گذشت سالها ، چندین مدل از بهینه سازی نمونه کارها تکامل یافته است ، مطالعات متعددی در مورد مدیریت نمونه کارها انجام شده است ، به عنوان نمونه مطالعه چانگ (2014) است ، بررسی می کند که آیا شرکت های موجود در بخش تجارت خرده فروشی با گسترش مرزهای خود سود می برند. در داخل و در مرزهای منطقه. آنها دریافتند که ، تنوع داخل منطقه ای حاوی یک رابطه موازی S و متنوع سازی بین منطقه ای است که دارای مرجع منحنی S به عملکرد شرکت است. آنها ثابت كردند كه تنوع محصول نامربوط در ارتباط بین تنوع بین منطقه ای و كاركرد شركت ، نتیجه ای ضد درد دارد. در کار Yijun (2014) ، در مورد نتیجه شیوه های مدیریت ریسک اعتباری تأثیر بر عملکرد سودآوری بانکهای صنعتی اروپا در اروپا. این مطالعه استنباط می کند که ارتباط بین دارایی (ROA) شرکت سرمایه گذاری وجود دارد.

علاوه بر این ، Cacho و Simmons (1999) یک قانون الگوریتمی ژنتیکی را برای ساخت یک مدل نمونه کارها مزرعه اعمال کردند. مدل نمونه کارها مزرعه با دو شرکت پرخطر و کیفیت بی خطر است که می تواند در کوتاه یا بلند مدت توسط کشاورز کنترل شود. این مدل با استفاده از یک قانون GA عددی را حل کرد. نتیجه نشان می دهد که ایده سازگاری رقابتی به نقض قدرت هنجاری ختم می شود. آنهایی که زنده می مانند ، مهمترین اقتصادی به معنای بسیار هنجاری نیستند. یک کار مشابه با استفاده از GA توسط هو و همکاران انجام شد.(1994) ، که یک قانون GA را برای برنامه ریزی رایانه دیجیتال اجرا کرد. در این مطالعه از یک روش اقتصادی پشتیبانی شده از GA برای پرده برداری از برنامه ریزی رایانه دیجیتال استفاده شده است. بنابراین ، تصویر گره جستجو از ترتیب وظایف در هر پردازنده فردی پشتیبانی می شود. اپراتور ژنتیکی برنامه ریزی شده از روابط مقدماتی بین وظایف موجود در نمودار کار پشتیبانی شد. علاوه بر این ، یک شبیه سازی نتیجه گیری از قانون برنامه ریزی شده GA ، قانون الگوریتمی برنامه ریزی لیست و بهترین برنامه نمودارهای کار تصادفی و یک مکانیزم نمودار وظیفه دستگاه دینامیک معکوس را بررسی می کند.

طبق گفته های Shadrookh و Kianfar (2007) ، یک قانون الگوریتمی ژنتیکی اجباری برای یافتن دسته ای از موضوعات برنامه ریزی پروژه نیز به عنوان روند نزولی سرمایه گذاری منابع شناخته می شود. زمان پروژه با مجازات مشخص شده مجاز است و از این طریق بخش هایی از قانون الگوریتمی مانند ساختار بدن ، عملکرد ناآرامی ، متقاطع ، جهش ، مهاجرت و جستجوی بومی را توضیح می دهد. عملکرد این قانون GA با عملکرد الگوریتم های مختلف آشکار شده برای روند نزولی سرمایه گذاری منابع مقایسه شد. علاوه بر این ، 690 شماره اندازه گیری مربع حل شد و بهترین راه حل های اندازه گیری مربع آنها برای آزمایش عملکرد قانون الگوریتمی ژنتیکی که کاملاً رضایت بخش بود.

لین و همکاران.(2004) قانون GA را به پردازش داده های بازار اوراق بهادار اجباری کرد و کاملاً استنباط شد که GA کمی از دست می دهد یا بدون آن ، با این حال ، صرفه جویی در دوره زمانی. بنابراین ، از آن در یک سیستم تجزیه و تحلیل واقعی استفاده می شود ، و نتایج درست مانند بهترین. همچنین ممکن است به عنوان یک ابزار اساسی برای کاربردهای مختلف ، مانند رتبه بندی قوانین مرکانتیلیسم استفاده شود.

اصطلاح نمونه کارها مربوط به موضوعات مربوط به چگونگی بهترین سرمایه گذاران یا سرمایه گذاران بالقوه است که ثروت خود را در بین سهام یا هر دارایی در انتظار بازده اختصاص می دهد. به گفته چانگ و همکاران.(2009) ، مشکلات بهینه سازی نمونه کارها یکی از زمینه های مهم تحقیق و نگرانی های پزشکان در مدیریت ریسک مدرن بوده است. از آنجا که سرمایه گذاران به طور کلی همیشه ترجیح می دهند بازده بالاتری در نمونه کارها خود با ریسک پایین تر تا حد ممکن کوچک داشته باشند. در مقابل ، بازده بزرگتر در بیشتر سرمایه گذاری ها همیشه در صورت عدم ریسک بالاتر تقریباً متناسب است. Yılmaz و Kucuksille (2014) ، بنابراین ، اظهار داشتند كه بهینه سازی تلاش برای ایجاد راه حل برای ایجاد مسئله در شرایط محدود با تمایل به استفاده از منابع موجود به بهترین وجه ممکن است.

در این مقاله ، بنابراین ، ما از GA برای جستجوی ترکیب قیمت پارامتر بالاتر در یک قانون مرکانتیلیسم موجود استفاده کردیم. از نتیجه ، قانون الگوریتمی GA بالاتر از روشهای دستی است. مطالعات پژوهشی گسترده در مورد بهینه سازی نمونه کارها سرمایه گذاری ، تلاش های مختلفی را در نیجریه و در سطح جهان توسط محققان برای شناسایی تأثیرگذار کلیدی که می توانند بر ترکیب نمونه کارها تأثیر بگذارند ، نشان داد. مشکل اصلی برجسته در ایجاد یک ترکیب نمونه کارها رقابتی ، انتخاب سرمایه گذاری/سهام واجد شرایط است که بازده بالایی را در میان کاهش ریسک پایین تر و نحوه تخصیص دارایی بر اساس انتخاب بهینه تضمین می کند. این مطالعه از رویکرد استفاده از مدل هوش مصنوعی در ساخت مخلوط بهینه سازی نمونه کارها سرمایه گذاری با استفاده از داده های تاریخی قیمت سهام استفاده می کند ، که اعتقاد بر این است که تقریباً تمام پویایی هایی را که می تواند بر یک تجارت تأثیر بگذارد ، منعکس می کند ، تا آنجا که محققان آگاه هستند ، این اولین مطالعه استدر نیجریه که با استفاده از چارچوب GA ، اوراق بهادار بهینه را از 30 شاخص برتر NSE می سازند.

3. داده ها و روش شناسی

کلیه سهام از 167 شرکت ذکر شده در بازار بورس اوراق بهادار نیجریه بین (1 ژوئیه 2014 - 1 ژوئیه 2019) جمعیت این مطالعه را تشکیل داد. این مطالعه به داده های ثانویه طبقه بندی شده متکی است که سهام را بر اساس سرمایه گذاری در بازار و نسبت نقدینگی گروه ها گروه بندی می کند. علاوه بر این ، در مجموع 30 شرکت برتر در شاخص NSE 30 2019 اندازه نمونه برای این مطالعه را تشکیل می دهند. قیمت بسته شدن سهام این 30 شرکت از اول ژوئیه 2014 تا 1 ژوئیه 2019 جمع آوری و مورد تجزیه و تحلیل قرار گرفت.

ارقام تاریخی برای هر سهام بین 1 ژوئیه 2014 تا 1 ژوئیه 2019 از یک منبع ثانویه آنلاین (investing. com) یک پلت فرم پیشرو جمع آوری شده است که سرمایه گذاران به طور منظم برای بینش در مورد گزینه های سرمایه گذاری از آن بازدید می کنند. روندهای سری زمانی و آمار توصیفی/تجسم داده ها با استفاده از نرم افزار تجزیه و تحلیل هوش تجاری قدرت (BI) انجام می شود.

یک تابع نسبت شارپ محدود برای محاسبه بازگشت سرمایه اجرا شد در حالی که یک GA با استفاده از پلتفرم تحلیل برنامه نویسی R برای پیش بینی تخصیص بهینه دارایی که پایدارترین منحنی را از همه منحنی های بازگشت سرمایه ممکن به دست می آورد، اجرا شد. قابلیت پیش بینی الگوریتم برای یک دوره پنج ساله (1 ژوئن 2014 - 1 ژوئیه 2019) آزمایش شد. عملکرد پیش بینی حرکت جهت دار سهام نیز مورد ارزیابی قرار گرفت. بنابراین، بهینه سازی پورتفولیو با استفاده از GA بر اطلاعات پس هک تکیه می کند.

3. 1 ترکیب پورتفولیو

سرمایه گذار N دارایی مالی را که می خواهد در آنها سرمایه گذاری کند انتخاب کرده است. آنها می توانند سهام، وجوه، اوراق قرضه، اسناد خزانه و غیره باشند. علاوه بر این، این تحقیق به تنهایی بر روی سهام متمرکز است. هر یک از آنها بازده تاریخی زیادی دارد که تفاوت نسبی قیمت از یک دوره به دوره دیگر است. دوره ها می توانند روز، هفته، ماه و غیره باشند. بازده i-امین دارایی بین دوره t و دوره t-1 به صورت زیر تعریف می شود:

p i t = p r i c e i t - p r i c e i ( t - 1 ) p r i c e i ( t - 1 )

برای ایجاد یک سبد سرمایه گذاری، شامل بسیاری از سهام که با هم ترکیب شده اند، و کسری x از سرمایه خود را به هر یک از آنها اختصاص می دهیم. به هر کسری وزن می گویند.

بازده پورتفولیو در زمان t به این صورت است: p (t) = ∑ i = 1 N x i. p i ( t )

هدف بهینه سازی پورتفولیو ما یافتن مقادیر وزن هایی است که برخی از معیارهای عملکرد سبد ما را با توجه به محدودیت های وزن به حداکثر می رسانند که عبارتند از:

∑ i = 1 N x i = 1 ; 0 ≤ x ≤ 1

سپس این مشکل را به یک مسئله بهینه سازی محدود تبدیل می کند.

3. 2 تابع هدف

با استفاده از نسبت شارپ که به صورت زیر تعریف می شود:

P o r t f o l i o sh a p e r a t i o = E ( p ) - E ( r ) V a r [ p ]

که در آن E(p) بازده مورد انتظار و E(r) بازده بدون ریسک و Var(p) واریانس است.

برای این تحقیق، بازده بدون ریسک را در نظر نخواهیم گرفت.

بنابراین، فرمول نسبت شکل پورتفولیو مورد استفاده به صورت زیر است:

P o r t f o l i o s h a p e r a t i o = E ( p ) V a r [ p ]

3. 3 محدودیت ها

∑ i = 1 N x i = 1 ; 0 ≤ x ≤ 1

وزن ما باید مثبت باشد. مجموع باید برابر با 1 باشد تا کل سرمایه ما را پوشش دهد

3. 4 عملکرد پنالتی

محدودیت های نابرابری ما عملکردهای مجازات زیر را به ما می دهد:

X I ≤ 1 ؛[حداکثر u2061 (0 ، x I - 1)] 2 X I ≥ 1 ؛[حداکثر u2061 (0 - x i)] 2

برای مربع کردن عملکرد پنالتی مفید است تا کاملاً متفاوت از یکدیگر باشد.

محدودیت های برابری ما تبدیل می شود:

∑ i = 1 n x i = 1 → (∑ i = 1 n x i - 1) 2

ما در حال تبدیل یک مشکل محدود به یک مسئله غیرمجاز هستیم ، بنابراین ما حداقل جستجوی جهانی را مجبور می کنیم. با ضرب عملکرد مجازات توسط یک عدد ، معمولاً 10 است ، اما برای افزایش ترکیب بهینه سازی 100 برابر خواهیم شد. بنابراین ، عملکرد نهایی ما باید به حداقل برسیم تا بازده بهینه خود را به شرح زیر داشته باشیم:

= s h a r p e x i + 100 ∑ i = 1 n x i - 1 2 + ∑ max u2061 o ، x i - 1 2 + ∑ max u2061 o - x i 2

بنابراین ، از GA برای بهینه سازی عملکرد شارپ استفاده شده است (شارپ ، 2000) (جدول 1).

4- نتایج تجزیه و تحلیل

در طی یک دوره 5 ساله سهام از شش شرکت (Okomu ، Presco ، Mobil ، Nestle ، IBTC ، Guaaty و Dangsug احتمالاً سودآور هستند (جدول 2 ، شکل 1).

ساخت یک نمونه کارها از NSE Top 30 ، پس از (3030 تکرار) توزیع تخصیص دارایی از عملکرد نسبت شارپ بهینه شده با استفاده از GA تولید شد ، و تکنیک بهینه سازی توصیه می کند که برای یک نمونه کارها سرمایه گذاری متشکل از NSE 30 ، 8 ٪ از NSE Top 30 ،سرمایه سرمایه گذاری باید به یونیلور ، 6. 3 ٪ به کارخانه های بین المللی ، 6. 2 ٪ به PZ ، 5. 2 ٪ به کارخانه های نیجریه ، 4. 7 ٪ به UBA اختصاص یابد.

4. 1 بازده سرمایه گذاری بهینه

4. 1. 1 بازده بهینه در برابر بازده های فردی.

از تجزیه و تحلیل فوق ، با استفاده از بازده بهینه ، یعنی نتیجه پیش بینی شده با استفاده از تخصیص بهینه و بازده فردی ، می توانیم مشاهده کنیم که بازده بهینه انجام شده بیش از 60 ٪ بازده های فردی و منحنی بازده بهینه بیشترین استمنحنی پایدار در مقایسه با منحنی بازگشت فرد. از منحنی بازده بهینه ، سرمایه گذار احتمالاً 29 ٪ سود در عملکرد اوج و ضرر 46 ٪ در بدترین حالت دارد.

4. 2 یافتن ترکیب مناسب (کاهش اندازه نمونه کارها)

این می تواند یک کار دشوار برای یک سرمایه گذار برای سرمایه گذاری در 30 سهام به طور همزمان و نظارت بر اضافه کاری سود ، از این رو این تحقیق بیشتر سعی در بهینه سازی نمونه کارها سرمایه گذاری با استفاده بیشتر از ترکیب نمونه کارها از بیش از 5 سهام ندارد ، اگرچه این سرمایه گذار را در معرض خطر قرار می دهد. خطر بالاتر در مقایسه با ترکیب قبلی NSE 30. این انتخاب با توجه به بهترین پنج سهام در حال اجرا و پنج سهام برتر با توجه به نتیجه تخصیص سرمایه گذاری بهینه از GA انجام شد (جدول 3).

4. 3 یافته ها از ترکیب نمونه کارها کاهش یافته

4. 3. 1 نمونه A.

عملکرد نسبت شارپ بهینه شده با استفاده از GA بهتر از دو سهام جداگانه دیگر (NB و PZ) است و بازده مشابهی را با سهام دیگری (یونیلور) به اشتراک می گذارد در حالی که کارخانه های بین المللی و UBA عملکرد بهتری نسبت به بهینه دارند. به یک سرمایه گذار تخصیص سرمایه به این نمونه کارها توصیه می شود که به ترتیب 28. 8 ٪ ، 26. 1 ٪ ، 24. 3 ٪ ، 11 ٪ و 9. 3 ٪ را به کارخانه های بین المللی ، یونیلور ، UBA ، PZ و نیجریه اختصاص دهد. سرمایه گذاری در این مخلوط های نمونه کارها با استفاده از تخصیص بهینه احتمالاً 70 ٪ سود را در عملکرد اوج و ضرر 44 ٪ در بدترین حالت به همراه خواهد داشت.

4. 3. 2 نمونه B

4. 3. 2. 1 بازده بهینه در مقابل بازده فردی.

4. 3. 2. 1. 1 تخصیص بهینه دارایی

نسبت شارپ بهینه شده با استفاده از GA ، بهتر از سه سهام جداگانه دیگر (Nestle ، Mobil و Stanbic IBTC) عملکرد بهتری دارد در حالی که Okomuoil و Presco عملکرد بهتری نسبت به بهینه دارند. به یک سرمایه گذار که سرمایه را به این نمونه کارها اختصاص می دهد ، توصیه می شود 23. 8 ٪ ، 20. 8 ٪ ، 19. 7 ٪ ، 18. 9 ٪ و 16. 9 ٪ به Stanbic IBTC ، Okomuoil ، Presco ، Nestle و Mobil اختصاص دهد. سرمایه گذاری در این مخلوط های نمونه کارها با استفاده از تخصیص بهینه احتمالاً 99 ٪ سود را در عملکرد اوج و ضررهای 16 ٪ در بدتر به همراه خواهد داشت (شکل 7).

از تجزیه و تحلیل انجام شده ، این مدل در بهینه سازی عملکرد نسبت شارپ برای مخلوط نمونه کارها سرمایه گذاری مختلف در نظر گرفته شده (NSE برتر 30 ، نمونه A و نمونه B) و نتیجه تجزیه و تحلیل سه نتیجه بهینه را نشان می دهد در حالی که نمونه B احتمالاً در صورت دستیابی به بالاترین سودسرمایه گذار ساخت یک نمونه کارها را در نظر بگیرید.

از این تجزیه و تحلیل ، بدیهی است که سرمایه گذاری در سهام در بخش های مختلف عملکرد سبد سرمایه گذاری ما را افزایش می دهد. از ترکیب بهینه نمونه کارها ، به یک سرمایه گذار توصیه می شود هنگام در نظر گرفتن تنوع (سرمایه گذاری در سهام از بخش های مختلف) به بخش های مالی ، کشاورزی و نفت و گاز نگاه کند. این مطابق با Chakrabarti و همکاران است.(2007) ، که استدلال می کند که تنوع در بهبود عملکرد در سرمایه گذاری کمک می کند.

از تجزیه و تحلیل ، بدیهی است که تخصیص بهینه دارایی باعث افزایش عملکرد سبد سرمایه گذاری ما می شود. همانطور که در شکل 1-6 مشهود است ، در حالی که برخی از سهام عملکرد بهتری از عملکرد بهینه شده دارند ، برخی نیز فقیرتر عمل می کنند. با این حال ، تخصیص بهینه دارایی در مخلوط نمونه کارها ، اطمینان حاصل می کند که درصد بیشتری از دارایی ما به سهام بهترین عملکرد و درصد پایین تر از سهام با عملکرد پایین تر به عنوان راهی برای به حداقل رساندن ریسک و اطمینان از تعادل اختصاص می یابد.

یک ریسک ذاتی در ارتباط با هر گزینه سرمایه گذاری وجود دارد ، از نتیجه تجزیه و تحلیل ، بدیهی است که بهینه سازی سبد سرمایه گذاری می تواند به کاهش خطر از دست دادن یک سرمایه گذاری کمک کند. بهینه سازی تضمین می کند که ضرر در صورت بروز ضرر به حداقل رسیده و سود برای ترکیب نمونه کارها سرمایه گذاری به حداکثر می رسد. این مطابق با تای (2014) است ، که مطالعه خود را استدلال می کند که روش های عددی برای کنترل عدم انطباق از شیوه عادی عملکرد ، هنگام برخورد با موضوعات مدیریت ریسک ، باید استخدام شوند.

این مطالعه برای اجرای یک GA با هدف بهینه سازی مخلوط نمونه کارها سرمایه گذاری و مدیریت موثر ریسک مرتبط با چنین سرمایه گذاری انجام شد. داده های این تحقیق از یک منبع ثانویه قابل اعتماد جمع آوری شد. اطلاعات جمع آوری شده برای تجزیه و تحلیل تهیه شد. تکنیک داده کاوی در توسعه و اجرای GA به کار گرفته شد. Microsoft Excel در تمیز کردن داده ها و پردازش داده ها مورد استفاده قرار گرفت ، از Microsoft Power BI برای همه تجسم داده ها استفاده شد و از برنامه نویسی R در استخراج عملکرد Sharpe و همچنین بهینه سازی عملکرد و تخصیص بهینه با استفاده از GA استفاده شد (که می تواند به عنوان دسترسی داشته باشد. یک کتابخانه هوش مصنوعی در سیستم عامل R).

30 شرکت (NSE 30) که اندازه نمونه را تشکیل می دهند از 6 بخش (کشاورزی ، نفت و گاز ، خدمات مالی ، ساخت و ساز/املاک و مستغلات ، کالاهای صنعتی ، کالاهای مصرفی) تهیه شده اند. این تحقیق براساس داده های تاریخی پنج ساله هر شرکت در بورس اوراق بهادار نیجریه استنباط می شود.

5- نتیجه گیری

این تحقیق در نشان دادن چگونگی اجرای GA برای رسیدن به یک تصمیم آگاهانه به عنوان یک سرمایه گذار کافی است و در یک سبد سرمایه گذاری ، ترکیبی راست را دارد. این با (HA ، 2013) موافق است ، که فرض می کنند GA در بهینه سازی نمونه کارها بهتر از روش Assent عمل می کند. نتیجه این تحقیق نشان می دهد که اجرای مدل GA می تواند برای کمک به مدیران سرمایه گذاری و کارگزاران سهام ، بازده بالقوه سرمایه گذاری و مشاوره در مورد ترکیب پرتفوی سرمایه گذاری بالقوه را ارزیابی کند.

توصیه می شود که مدیر سرمایه گذاری باید این الگوریتم را در انتخاب یک سرمایه گذاری مناسب برای سرمایه گذاران بالقوه اتخاذ کند ، اتخاذ این روش به کاهش استرس زیادی در مورد استفاده از مجلات ، خبرنامه و نظر متخصص در مورد بسیاری از سهام یا سرمایه گذاری کمک می کند. گزینه های موجود

دانش تخصصی در مورد شرکت ها/سهام/گزینه های سرمایه گذاری قابل استفاده است و این تحقیق از این امر رد نمی کند ، اما این تحقیق به تجزیه و تحلیل فنی کمک می کند و به کاهش تعداد گزینه های قابل دوام در اندازه قابل توجهی کمک می کند ، که دانش متخصص حوزه می تواند مرتب شودبرای. با این حال ، به جز شرایط شدید و بروز ناگهانی ، تصمیم گیری در مورد سرمایه گذاری در سهام با استفاده از داده های تاریخی قیمت های همراه با ابزار آماری مناسب با هدف گرفتن بینش از داده ها ، در رسیدن به تصمیم آگاهانه کافی خواهد بود. از آنجا که در قیمت ها پویایی ذاتی دیگری هستند که می توانند بر قیمت تأثیر بگذارند ، که کارشناس دامنه فقط توضیح می دهد.

این کار تحقیقاتی در تصمیم گیری آگاهانه در مورد گزینه های سرمایه گذاری ، صدایی را به تصویب هوش مصنوعی وام داده است. در تلاش برای مهار پتانسیل های هوش مصنوعی ارائه شده است. با توجه به محدودیت در داده های موجود برای این تحقیق ، گزینه یک سبد سرمایه گذاری که شامل سهام ، اوراق قرضه ، سپرده های ثابت ، صورتحساب خزانه داری و غیره است ، مورد بررسی قرار نگرفت. تحقیقات بیشتر می تواند این گزینه را کشف کند. این تحقیق می تواند با استفاده از یک الگوریتم بهینه سازی قطعی ، مانند فرآیند سلسله مراتب تحلیلی پس از GA ، بهبود یابد تا به یک دقت خاص برسد.

علاوه بر این ، تحقیقات بیشتر می تواند سعی در مقایسه با بازده بهینه برای تصمیمات سرمایه گذاری بلند مدت و کوتاه مدت ، با استفاده از داده های تاریخی برای مدت طولانی تر (مثلاً 10 تا 20 سال).

در حالی که این مطالعه می تواند نمای خوبی از بورس اوراق بهادار نیجریه در نظر گرفته شود ، شاخص NSE 30 مورد استفاده در اندازه نمونه یک لیست پویا است که با گذشت زمان تغییر می کند ، بنابراین مدیران سرمایه گذاری باید به طور مکرر بررسی کنند تا از انتقال اطلاعات اشتباه جلوگیری کنند که می تواند خسارت بزرگی به وجود آوردسرمایه گذاران