موضوع تخصیص دارایی (Asset Allocation) ریشه در “نظریه نوین پورتفولیو” (MPT) دارد که توسط هری مارکوویتز در سال ۱۹۵۲ ارائه شد. این نظریه یک چارچوب برای بهینه سازی تعادل بین ریسک و بازده از طریق تنوع سازی پیشنهاد می کند. مدل مارکوویتز با تکیه بر بهینه‌سازی میانگین-واریانس، به سرمایه‌گذاران این امکان را می‌دهد تا پورتفویی با حداکثر بازده در سطح ریسک معین ایجاد کنند.
اما این رویکرد به طور کامل به داده‌های تاریخی وابسته بود و در بازارهای پر نوسان عملکرد چندانی نداشت. در طول سال‌ها، مدل‌های جدیدی مانند مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) و مدل بلک-لیترمن به منظور تکمیل MPT و حذف محدودیت‌های آن با در نظر گرفتن بازدهی‌های تعادلی و روش‌های تغییر سرمایه گذاری به وجود آمدند.
این روش‌های سنتی ، پایه و اساس استراتژی‌های تخصیص دارایی را تشکیل دادند، اگرچه در مقابله با تعداد زیاد دارایی‌ها یا بازارهای پر نوسان با چالش‌هایی روبرو بودند.
تنظیم سرمایه گذاری با تخصیص دارایی
در سال‌های اخیر، “یادگیری ماشین” (ML) و “یادگیری تقویتی – عمیق” (DRL) چشم‌انداز جدیدی برای تخصیص دارایی به ارمغان آورده‌اند. مدل‌های DRL برخلاف مدل‌های سنتی که بر داده‌های تاریخی متکی هستند، به طور مستمر از تغییرات واقعی بازار یاد می‌گیرند و خود را با آن مطابقت می‌دهند. تکنیک‌هایی مانند الگوریتم‌های امکان تنظیمات دینامیک سرمایه گذاری را با توجه به شرایط بازار فراهم می‌کنند و بازده بالاتری ارائه می‌دهند، اما همراه با افزایش نوسان هستند.
با وجود مزایای ذکر شده، این مدل‌ها با چالش‌هایی مانند پایداری و قابلیت اطمینان در شرایط متفاوت بازار، به ویژه در محیط‌های ناپایدار، مواجه هستند. در نتیجه، رویکردهای ترکیبی که مزایای هر دو روش سنتی و DRL را با هم ترکیب می‌کنند در حال مطالعه هستند تا به تعادلی بین بازده بالا و پایداری در بلند مدت دست یابند.
ریکارد دورال (Ricard Durall)، استاد دانشگاه کاتالونیا، در مقاله “تخصیص دارایی‌ها: از مارکوویتز تا یادگیری تقویتی عمیق” به طور کامل به این تاریخچه پرداخته است. مطالعه این مقاله می‌تواند برای علاقه مندان به این حوزه بسیار جذاب باشد.