Islamic Economics & Banking

fa ارزیابی عملکرد الگوریتم‌های GAN و PSO در بهینه‌سازی چندهدفه پرتفولیو سهام: تعادل همزمان بین حداکثرسازی نسبت شارپ و حداقل‌سازی ریسک WCVaR Innovative Stock Portfolio Optimization: An Integrated Approach Using PSO Algorithm and Worst-Case CVaR with Dynamic Copula for Enhanced Performance تخصصي Special پژوهشي Research 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. Portfolio optimization, as one of the key challenges in investment management, has always been at the forefront of financial research, aiming to achieve an optimal balance between return and risk. Although Modern Portfolio Theory (MPT) laid the foundation for optimization by introducing the mean-variance framework, the complexities of modern markets, including dynamic volatility, extreme risks, and nonlinear dependencies, have highlighted the need for more advanced methods. This study leverages a dynamic copula model to assess time-dependent asset dependencies and integrates multi-objective criteria, including Worst-Case Conditional Value at Risk (WCVaR) and risk-adjusted return, to propose two optimization frameworks based on the Particle Swarm Optimization (PSO) algorithm and Generative Adversarial Networks (GAN). The methodological core of this research is a systematic comparison of the capabilities of PSO and GAN in identifying optimal portfolios. While PSO explores the solution space using a swarm intelligence mechanism, focusing on simultaneously improving the Sharpe ratio and reducing WCVaR, GAN employs generative and discriminative networks to simulate complex market patterns and design portfolios with greater resilience to crisis conditions. The empirical data for this study is based on historical information from companies listed on the Tehran Stock Exchange, processed and analyzed in the Python environment. Key findings indicate that both PSO and GAN models significantly outperform classical methods such as Markowitz and equal-weighted portfolios. However, GAN demonstrates superior performance by improving the Sharpe ratio while maintaining WCVaR levels comparable to those of the PSO model. This performance gap stems from GAN's ability to model nonlinear relationships and identify assets with negative correlations in volatile market conditions. بهینه‌سازی پرتفولیو, کاپولای پویا, بهینه‌سازی, الگوریتم فرا ابتکاری, شبکه‌ تخاصمی مولد (GAN) Portfolio Optimization, Dynamic Copula, Optimization, Metaheuristic Algorithm, Generative Adversarial Network (GAN) 313 350 http://mieaoi.ir/browse.php?a_code=A-10-1701-1&slc_lang=fa&sid=1 Vahid Saee وحید ساعی vahid.saee@iau.ac.ir 100319475328460013147 100319475328460013147 No PhD student in the Accounting Department, Tabriz Branch, Islamic Azad University, Tabriz, Iran دانشجوی دکتری گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران yaghub Pourkarim یعقوب پور کریم pourkarim@iaut.ac.ir 100319475328460013148 100319475328460013148 Yes Assistant Professor of the Accounting Department, Tabriz Branch, Islamic Azad University, Tabriz, Iran (corresponding author) استادیار گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران (نویسنده مسئول) Seyedali Paytakhti oskoii سید علی پایتختی اسکوئی oskooe@iaut.ac.ir 100319475328460013149 100319475328460013149 No Associate Professor of the Economics Department, Tabriz Branch, Islamic Azad University, Tabriz, Iran دانشیار گروه اقتصاد، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران Rasoul Baradaran Hassanzadeh رسول بردران حسن‌زاده baradaran313@iaut.ac.ir 100319475328460013150 100319475328460013150 No Accounting Department, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران Mahdi zeynali مهدی زینالی zeynali@iaut.ac.ir 100319475328460013151 100319475328460013151 No Islamic Azad University / Tabriz Branch / Management, Economics and Accounting / Accounting Department دانشگاه آزاد اسلامی /واحد تبریز/مدیریت، اقتصاد و حسابداری/گروه حسابداری