تکنیک‌هایی مانند الگوریتم‌های تنظیمات پورتفو را براساس شرایط بازار فراهم می‌کنند و بازده بیشتری ارائه می‌دهند،اما با افزایش نوسان همراه هستند.

به گزارش سرمایه فردا، تاریخچه تخصیص دارایی (Asset Allocation) با معرفی نظریه نوین پورتفولیو (MPT) توسط هری مارکوویتز در سال ۱۹۵۲ آغاز شد. که چارچوبی برای بهینه‌سازی تعادل بین ریسک و بازده از طریق تنوع‌بخشی پیشنهاد کرد. مدل مارکوویتز بر پایه بهینه‌سازی میانگین-واریانس به سرمایه‌گذاران این امکان را می‌داد که پورتفوهایی ایجاد کنند. تا بتوانند با توجه به سطح مشخصی از ریسک، بازدهی را به حداکثر برسانند.
با این حال، این رویکرد به شدت بر داده‌های تاریخی متکی بود و در بازارهای بسیار پویا عملکرد چندانی نداشت. در طول سال‌ها، پیشرفت‌های مختلفی از جمله مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) و مدل بلک-لیترمن پیشنهاد شدند که محدودیت‌های MPT را با در نظر گرفتن بازدهی‌های تعادلی و روش‌های متنوع‌سازی بهبود بخشیدند.
این روش‌های سنتی، پایه و اساس استراتژی‌های تخصیص دارایی‌ها را تشکیل دادند، اگرچه اغلب در مدیریت تعداد زیادی از دارایی‌ها یا بازارهای پویای در حال تحول با چالش‌هایی روبرو بودند.

تنظیم پورتفو با تخصیص دارایی‌ها

در سال‌های اخیر، ظهور یادگیری ماشین (ML) و یادگیری تقویتی -عمیق (DRL) امکانات جدیدی را برای تخصیص دارایی‌ها فراهم کرده است. برخلاف مدل‌های سنتی که به داده‌های تاریخی متکی هستند، مدل‌های DRL به طور مداوم از تغییرات واقعی بازار یاد می‌گیرند و سازگار می‌شوند. تکنیک‌هایی مانند الگوریتم‌های امکان تنظیمات دینامیک پورتفو را بر اساس شرایط بازار فراهم می‌کنند و بازده بالقوه بیشتری ارائه می‌دهند، اما با افزایش نوسان همراه هستند.
با وجود این مزایا، این مدل‌ها با چالش‌هایی مانند پایداری و قابلیت اطمینان در شرایط مختلف بازار به‌ویژه در محیط‌های بسیار ناپایدار روبرو هستند. در نتیجه، رویکردهای ترکیبی که مزایای هر دو روش سنتی و DRL را ترکیب می‌کنند در حال بررسی هستند تا به تعادلی بین بازدهی بالا و پایداری در بلندمدت دست یابند.
ریکارد دورال (Ricard Durall) استاد دانشگاه کاتالونیا در مقاله تخصیص دارایی‌ها: از مارکوویتز تا یادگیری تقویتی عمیق به طور مفصل به این تاریخچه پرداخته است که مطالعه آن می‌تواند برای علاقمندان به این حوزه بسیار جذاب باشد.