Abstract
Portföy Optimizasyonu problemi (PO), yatırımcılar için en iyi portföyün seçildiği çözülmesi klasik yöntemlerle mümkün olmayan problemlerden birisidir. Portföy optimizasyonundaki amaç, en yüksek getiriyi elde edecek olan hisse senedinin en düşük riskle seçilmesidir. Klasik yöntemler kesin bir çözüm bulamadığında, sezgisel teknikler yaklaşık bir çözüm bulmak için tasarlanmaktadır. Literatürde portföy optimizasyonu probleminin çözümü için çok fazla sezgisel teknikler kullanılmış ve başarılı sonuçlar elde edilmiştir. Bu çalışmada Bist-30 şirketlerinden elde edilen 2016 Aralık- 2021 Aralık arasındaki 5 yıllık satış verileri (60 adet satış verisi), MATLAB platformuna aktarılarak genetik algoritma kullanılıp tasarlanan sistemde en uygun hisse senedinin seçilmesi amaçlanmıştır. Çalışmadaki temel farklılık, şirketlerin 5 yıllık verileri, kendi içerisinde 1 yıllık, 3 yıllık, 5 yıllık olmak üzere 3 grupta ayrı ayrı incelenmiş olup kullanıcı tanımlı risk değerlerine göre karşılaştırılmalı sonuçlara yer verilmiştir. Önerilen yöntem en verimli sonucu, 0.20 risk katsayısı için elde etmiştir. Bu katsayı değeri için 3 grupta sırasıyla 10, 14 ve 15 adet hisse senedinin seçileceği tespit edilmiştir. Ek olarak, bu çalışmada şirketlerin yıllara göre satış değerlerindeki değişimler mevcut piyasa şartları ve pandemi koşulları göz önüne alınarak değerlendirilmiştir.
Publisher
MANAS Sosyal Arastirmalar Dergisi
Reference23 articles.
1. Bey, K. B., Belgacem, A. ve Nacer, H. (2018). A new task scheduling approach based on Spacing Multi-
Objective Genetic algorithm in cloud. Communication Papers of the 2018 Federated Conference on Computer
Science and Information Systems, 17, 189–195. https://doi.org/10.15439/2018f180
2. Beybur, M. (2021). Covıd-19 Pandemisinin Türk Bankacılık Sektörü Kredileri Öz Effects Of The Covıd-19 Pandemıc
On Turkısh Bankıng Sector Loans And Npls Abstract GİRİŞ İlk olarak 2019 Aralık ayında ortaya çıkan ve 2020 yılı
Mart ayında Türkiye ’ de de görülen Covid-19 pandem. 28, 181–210.
3. Chen, J. S. ve Hou, J. L. (2006, June). A combination genetic algorithm with applications on portfolio
optimization. In International Conference on Industrial, Engineering and Other Applications of Applied
Intelligent Systems (pp. 197-206). Springer, Berlin, Heidelberg.
4. Chen, W., Zhang, H., Mehlawat, M. K. ve Jia, L. (2021). Mean–variance portfolio optimization using machine
learning-based stock price prediction. Applied Soft Computing, 100, 106943.
https://doi.org/10.1016/j.asoc.2020.106943
5. Chou, Y. H., Kuo, S. Y. ve Lo, Y. T. (2017). Portfolio optimization based on funds standardization and genetic
algorithm. IEEE Access, 5, 21885–21900. https://doi.org/10.1109/ACCESS.2017.2756842