27183

بهينه سازي استوار داده محور سبد سهام در شرايط عدم قطعيت با بازده پيش بيني شده با استفاده از يادگيري عميق و يادگيري ماشين

كارشناسي ارشد

مهندسي صنايع گرايش مهندسي مالي

1398

1401/07/17

دكتر عمران محمدي

دكتر ميرسامان پيشوايي

مهندسي صنايع

هدف اين تحقيق بهينه سازي استوار داده محور سبد سهام در شرايط عدم قطعيت با بازده پيش بيني شده با استفاده از يادگيري عميق و يادگيري ماشين است. نمونه نهايي تحقيق با استفاده از روش نمونه‌گيري حذفي سيستماتيك (غربالگري) و غير تصادفي روي بازه زماني 12ساله (1388 الي 1399) انتخاب گرديد. در اين مطالعه سعي شد تا با توجه به بازده پيش بيني سهام شركت هاي بورسي در فضاي عدم قطعيت، سبد بهينه سهام را تشكيل داد. بدين منظور ابتدا سبد بهينه در فضاي عدم قطعيت كلاسيك (فضاهاي باكس، بيضوي، چند وجهي) تشكيل شد و اين سبدها در مقايسه با سبد سهام تشكيل شده در فضاي عدم قطعيت سناريو بيس (بر اساس خوشه هاي تشكيل شده از طريق يادگيري ماشين) مورد مطالعه قرار گرفت. از بررسي مراحل طي شده و مقايسه بهينه سازي سبد سهام در شرايط عدم قطعيت در فضاهاي عدم قطعيت كلاسيك و سناريو بيس مشاهده شد كه پرتفوي انتخاب شده در فضاي سناريو بيس از تنوع بالاتري برخوردار است كه اين تنوع بالاتر، در شرايط عدم قطعيت، ميزان ريسك پرتفوي را كاهش و ميزان بازده سهام را افزايش مي دهد. علاوه بر اين، پرتفوي انتخاب شده در فضاي سناريو بيس، سهام شركت هاي انتخاب شده در فضاي كلاسيك را تا ميزان بالايي پوشش مي دهد.

1401/07/27

Robust data-driven optimization of stock portfolio under uncertainty with predicted returns using deep learning and machine learning

10/9/2023 12:00:00 AM

The aim of this research is the robust data-driven optimization of the stock portfolio under conditions of uncertainty with predicted returns using deep learning and machine learning. The final sample of the research was selected using a systematic (screening) and non-random sampling method over a period of 12 years (1388 to 1399). In this study, it was tried to form the optimal portfolio of stocks according to the expected returns of stocks of listed companies in the atmosphere of uncertainty. For this purpose, first the optimal portfolio was formed in the classical uncertainty space (box, ellipse, polyhedral spaces) and these portfolios were compared to the stock portfolio formed in the base scenario uncertainty space (based on the clusters formed through machine learning). was studied. From the review of the steps taken and the comparison of the stock portfolio optimization in the conditions of uncertainty in the classical and base scenario uncertainty spaces, it was observed that the selected portfolio in the base scenario space has a higher diversity, and this higher diversity, in the conditions of uncertainty, the amount of risk It reduces the portfolio and increases the stock returns. In addition, the selected portfolio in the base scenario space covers the stocks of the selected companies in the classic space to a high extent.

بهينه سازي استوار , بهينه سازي داده محور , سبد سهام , شرايط عدم قطعيت , بازده پيش بيني شده , يادگيري عميق , يادگيري ماشين

robust optimization , data-driven optimization , stock portfolio , uncertainty conditions , predicted returns , deep learning , machine learning

Ghazaleh Khorasani Ferdovani

Dr. Emran Mohammadi