بهینه‌سازی پرتفوی به عنوان یکی از چالش‌های کلیدی در مدیریت سرمایه، با هدف دستیابی به تعادل بهینه بین بازدهی و ریسک، همواره در کانون توجه پژوهش‌های مالی قرار دارد. اگرچه نظریه پرتفوی مدرن با معرفی چارچوب میانگین ـ واریانس، بنیان‌های اولیه بهینه‌سازی را شکل داد، اما پیچیدگی‌های نوین بازارها، از جمله نوسانات پویا، ریسک‌های شدید، و وابستگی‌های غیرخطی، نیاز به روش‌های پیشرفته‌تری را آشکار ساخته است. این پژوهش با بهره‌گیری از مدل کاپولای پویا برای ارزیابی وابستگی‌های وابسته به زمان دارایی‌ها و ادغام معیارهای چندهدفه شامل بدترین حالت ارزش در معرض ریسک شرطی (WCVaR) و بازدهی تعدیل‌شده، دو چارچوب بهینه‌سازی مبتنی بر الگوریتم فراابتکاری ازدحام ذرات (PSO) و شبکه‌های مولد تخاصمی (GAN) را ارائه می‌دهد. هسته روش‌شناختی این مطالعه، مقایسه سیستماتیک توانایی‌های PSO  و GAN در شناسایی پرتفوی‌های بهینه است. در حالی که PSO با مکانیزم جستجوی جمعی ذرات، فضای راه‌حل‌ها را با تمرکز بر بهبود همزمان نسبت شارپ و کاهش WCVaR کاوش می‌کند،GAN  با استفاده از شبکه‌های مولد و تشخیصی، الگوهای پیچیده بازار را شبیه‌سازی کرده و پرتفوی‌هایی با سازگاری بالاتر با شرایط بحرانی طراحی می‌نماید. داده‌های تجربی این پژوهش، مبتنی بر اطلاعات تاریخی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران است که در محیط Python پردازش و تحلیل شده‌اند. یافته‌های کلیدی نشان می‌دهند که هر دو مدل PSO و GAN نسبت به روش‌های کلاسیک مانند مارکویتز و پرتفوی با وزن برابر، برتری چشمگیری دارند. با این حال، GAN  با بهبود نسبت شارپ و حفظ مقدار WCVaR در حد مدل PSO عملکرد بهتری از خود نشان می‌دهد. این شکاف عملکردی ناشی از توانایی GAN در مدلسازی روابط غیرخطی و شناسایی دارایی‌های با همبستگی منفی در شرایط نوسانی بازار است.