Risk and return are interdependent in a stock portfolio. To achieve the anticipated return, comparative risk should be considered simultaneously. However, complex investment environments and dynamic change in decision making criteria complicate forecasts of risk and return for various investment objects. Additionally, investors often fail to maximize their profits because of improper capital allocation. Although stock investment involves multi-criteria decision making (MCDM), traditional MCDM theory has two shortfalls: first, it is inappropriate for decisions that evolve with a changing environment; second, weight assignments for various criteria are often oversimplified and inconsistent with actual human thinking processes. In 1965, Rechenberg proposed evolution strategies for solving optimization problems involving real number parameters and addressed several flaws in traditional algorithms, such as their use of point search only and their high probability of falling into optimal solution area

In 1992, Hillis introduced the co-evolutionary concept that the evolution of living creatures is interactive with their environments (multi-criteria) and constantly improves the survivability of their genes, which then expedites evolutionary computation. Therefore, this research aimed to solve multi-criteria decision making problems of stock trading investment by integrating evolutionary strategies into the co-evolutionary criteria evaluation model. Since co-evolution strategies are self-calibrating, criteria evaluation can be based on changes in time and environment. Such changes not only correspond with human decision making patterns (i.e., evaluation of dynamic changes in criteria), but also address the weaknesses of multi-criteria decision making (i.e., simplified assignment of weights for various criteria). Co-evolutionary evolution strategies can identify the optimal capital portfolio and can help investors maximize their returns by optimizing the preoperational allocation of limited capital

This experimental study compared general evolution strategies with artificial neural forecast model, and found that co-evolutionary evolution strategies outperform general evolution strategies and substantially outperform artificial neural forecast models. The co-evolutionary criteria evaluation model avoids the problem of oversimplified adaptive functions adopted by general algorithms and the problem of favoring weights but failing to adaptively adjust to environmental change, which is a major limitation of traditional multicriteria decisionmaking. Doing so allows adaptation of various criteria in response to changes in various capital allocation chromosomes. Capital allocation chromosomes in the proposed model also adapt to various criteria and evolve in ways that resemble thinking patterns

ریسک و برگشت سرمایه در دارایی های سهام لازم و ملزوم هستند . ریسک مقایسه ای برای رسیدن به برگشتی سرمایه پیش بینی شده بایستی به طور همزمان مورد توجه قرار گیرد . بنابراین ، محیط های سرمایه گذاری پیچیده و تغییر پویا درمعیارهای اتخاذ تصمیم ، پیش بینی ریسک و برگشت سرمایه برای انواع اهداف سرمایه گذاری را پیچیده می سازند . علاوه بر این ، سرمایه گذاران در کسب حداکثر سود اغلب موفق عمل نمی کنند چون تخصیص سرمایه نامناسب را انتخاب می کنند . هر چند سرمایه گذاری سهام شامل تصمیم گیری چند متغیری (MCDM)  می باشد ، تئوری تصمیم گیری چند متغیری سنتی از دو نقص برخوردار می باشد که عبارتند از : اولا ، آن برای تصمیماتی نامناسب است که با محیط در حال تغییر در حال ظهور می باشد ، ثانیا ، انتقال وزن برای معیار های مختلف اغلب بسیار ساده  و ناسازگار با فرآیند های تفکر انسان واقعی گرفته می شوند .

ریچنبرگ در سال 1965 یک سری راهبرد های تکامل را برای حل مسایل بهینه سازی در برگیرنده پارامترهای تعداد واقعی پیشنهاد شدند و به چندین جریان در الگوریتم های سنتی نظیر استفاده اشان از جستجوی نقطه ای تنها و احتمال بالای واقع شدند درون حوزه راه حل های بهینه توجه کردند .هیلیس در سال 1992 یک مفهوم هم تکاملی را معرفی نمود که تکامل مخلوقات زنده با محیط هایشان در حال تعامل می باشند و به طور دایم بقای ژن هایشان را توسعه می بخشند که سپس محاسبه تکاملی را تسهیل می سازند . بنابراین ، این تحقیق در نظر داشت تا مشکلات تصمیم گیری چند معیاری سرمایه گذاری خرید سهام را از طریق یکپارچه سازی راهبرد های تکاملی درون مدل ارزیابی معیار های هم تکاملی حل نماید . چون راهبرد های مکمل هم از نوع خود تنظیم شونده هستند ، ارزیابی معیارها می توانند مبتنی بر تغییرات در زمان و محیط باشند . چنین تغییراتی نه تنها با الگو های تصمیم گیری انسانی مرتبط هستند ( برای مثال ارزیابی تغییرات دینامیک در معیار ها ) بلکه همچنین به ضعف تصمیم گیری چند متغیری می پردازند ( برای مثال واگذاری ساده شده وزن ها برای معیار های مختلف ) .

راهبرد های تکامل مکمل هم می توانند دارایی سرمایه ای بهینه را شناسایی کنند و قادر به کمک به سرمایه گذارن هستند تا برگشتی های سرمایه را از طریق بهینه سازی تخصیص پیش عملیاتی سرمایه محدود به حداکثربرسانند . این بررسی آزمایشی یک سری راهبرد های تکامل کلی را با مدل پیش بینی عصبی مصنوعی مقایسه نمود و دریافت که راهبرد های تکامل مکمل هم یک سری راهبرد های تکامل کلی را مجتمع می سازند و به طور اساسی مدل های پیش بینی عصب مصنوعی را یک جا یکپارچه می سازند .مدل ارزیابی معیار های مکمل هم ، از مسئله توابع سازگار زیاد ساده کننده از طریق الگوریتم های کلی اجتناب می ورزد و مشکل اوزان مورد توجه اما به طور سازگار در تنظیم تغییر محیطی شکست می خورد که محدودیت اصلی تصمیم گیری چند معیاری سنتی می باشد . کروموزوم های تخصیص سرمایه در مدل پیشنهادی با معیارهای مختلف سازگار می شوند و در روش هایی ظاهر می شوند که با الگو های تفکر شباهت دارند .

1-مقدمه

بورس در حال ترقی تایوان تعداد زیادی از سرمایه گذاران غیر حرفه را جذب کرده است . این سرمایه گذارن غیر حرفه ای به دلیل دانش حرفه ای محدود اشان و دسترسی کم به اطلاعات اغلب در زمانی که تصمیمات سرمایه گذاری اتخاذ می کردند  به تجربه شخصی اشان  یا گزارش های رسانه ها متوسل می شدند .

بنابراین ، پژوهشگران در گذشته اشاره کردند که بازار سهام تایوان نقطه قوت موثری را برای گرو های قومی سرمایه گذاری فراهم کرده بود که نشان می دهند ، سرمایه گذاران هنوز داده های تاریخی را برای سود و قیمت های سهام برای بهبود برگشت سرمایه گذاری اشان می توانند بکار بندند . از اینرو ، بهینه سازی تخصیص سرمایه دارایی های سرمایه گذاری از جمله نگرانی های مهم تعدادی از سرمایه گذاران محسوب می گردد...