در سرمایه‌گذاری، بهینه‌سازی پورتفولیو وظیفه‌اش انتخاب دارایی‌هایی است که بازده سرمایه‌گذاری را در حالی به حداکثر برساند که ریسک آن حداقل باشد. به عنوان مثال، یک سرمایه‌گذار ممکن است علاقه‌مند به انتخاب پنج سهام از یک لیست 20 تایی باشد تا مطمئن شود که بیشترین سود ممکن را به دست می‌آورد. روش‌های بهینه‌سازی پورتفولیو می‌تواند به مدیریت و تنوع بخشیدن به سرمایه‌گذاری در شرکت‌های بورسی کمک کند. اخیراً، نیز با افزایش ارزهای دیجیتال، تکنیک‌های بهینه‌سازی پورتفولیو برای سرمایه‌گذاری در بیت‌کوین و اتریوم و سایر ارزها به کار رفته است.
در هر یک از این موارد، وظیفه بهینه‌سازی دارایی‌ها، شامل متعادل کردن مبادلات بین ریسک و بازده است که در آن بازده سهام، سود حاصل از یک دوره زمانی بوده و ریسک، انحراف استاندارد در ارزش دارایی است. بسیاری از روش‌های موجود برای بهینه‌سازی پورتفولیو اساساً گسترش روش‌های متنوع‌سازی برای دارایی‌ها در سرمایه‌گذاری هستند. ایده در اینجا این است که داشتن پورتفولیو از انواع مختلف دارایی‌ها، نسبت به داشتن دارایی‌های مشابه خطر کمتری دارد.
یافتن روش های مناسب برای بهینه سازی پرتفوی بخش مهمی از کار انجام شده توسط صندوق‌های سرمایه‌گذاری و شرکت‌های مدیریت دارایی است. یکی از روش‌های اولیه بهینه‌سازی، میانگین واریانس نام دارد که توسط هری مارکوویتز و در نتیجه، روش مارکوویتز یا روش HM نیز نامیده می‌شود. این روش با فرض ریسک گریز بودن سرمایه گذاران کار می‌کند. این روش به طور خاص، مجموعه‌ای از دارایی‌ها را انتخاب می‌کند که کمترین همبستگی را دارند (یعنی با یکدیگر متفاوت هستند) و بالاترین بازده را ایجاد می‌کنند. این رویکرد به این معنی است که با توجه به مجموعه‌ای از پرتفوی با بازدهی یکسان، پرتفویی را با دارایی‌هایی انتخاب می‌کنید که کمترین رابطه آماری را با یکدیگر دارند.
برای مثال، به‌جای انتخاب سبد سهام شرکت‌های فناوری، باید سبد سهامی را با سهام در صنایع مختلف انتخاب کنید. در عمل، الگوریتم بهینه‌سازی واریانس میانگین ممکن است به جای یک صنعت واحد مانند فناوری، یک زمینه کار شامل دارایی‌هایی در فناوری، خرده‌فروشی، بهداشتی و یا پیمانکاری را انتخاب کند. اگرچه این یک رویکرد اساسی در تئوری مدرن پورتفولیو است، اما محدودیت‌های زیادی دارد، مانند فرض بر اینکه بازده‌های تاریخی به طور کامل بازده آینده را منعکس می‌کنند.
روش‌های اضافی مانند برابری ریسک سلسله مراتبی (HRP) و میانگین ارزش شرطی در معرض خطر (mCVAR) برخی از محدودیت‌های روش بهینه‌سازی واریانس میانگین را برطرف می‌کنند. به طور خاص، HRP به معکوس کردن یک ماتریس کوواریانس، که معیاری برای حرکت بازده سهام در یک جهت است، نیاز ندارد. روش بهینه‌سازی واریانس میانگین نیازمند یافتن معکوس ماتریس کوواریانس است که البته همیشه از نظر محاسباتی امکان‌پذیر نیست.
علاوه بر این، اگر یک سهم افزایش غیرعادی قیمت داشته باشد، mCVAR قوی‌تر از بهینه‌سازی واریانس متوسط خواهد بود و برای تخصیص دارایی مناسب‌تر خواهد بود. در مقابل، بهینه‌سازی واریانس میانگین ممکن است ساده‌لوحانه نشان دهد که ما بیشتر منابع خود را به طور نامتناسبی در دارایی‌هایی سرمایه‌گذاری می‌کنیم که دارای افزایش غیرعادی قیمت است. سبدبان طیف گسترده‌ای از ویژگی‌هایی را ارائه می‌دهد که اجرای همه این روش ها را آسان می‌کند.
بهینه سازی پرتفوی با سبدبان
