31236

بهينه‌سازي سبد سرمايه‌گذاري با استفاده از پيش‌بيني بازدهي با بهره¬گيري از روش‌هاي يادگيري عميق و يادگيري ماشين

كارشناسي ارشد

مهندسي صنايع

1401

1403/06/17

دكتر روزبه قوسي

دكتر عمران محمّدي

مهندسي صنايع

ادغام پيش‌بيني بازده مدل‌هاي سنّتي سري زماني در تشكيل سبد سرمايه‌گذاري مي‌تواند عملكرد بهينه‌سازي پورتفوليو را بهبود بخشد. در اين پژوهش از مدل‌هاي يادگيري عميق و يادگيري ماشين براي پيش انتخاب سهام قبل از تشكيل پورتفوليو استفاده مي‌شود. سبدهاي مختلف سرمايه‌گذاري با بهره‌گيري از نتايج پيش‌بيني‌شده و سنجۀ ريسك نيم واريانس به وجود مي‌آيند. همچنين، سبدي بدون استفاده از اين الگوريتم‌ها به‌عنوان معيار اعتبارسنجي بررسي مي‌شود و نتايج حاكي از آن است كه سبدهاي تشكيل‌شده با الگوريتم‌هاي يادگيري عميق و ماشين، بازده بيشتر و ريسك كمتري دارند. مقايسه بازدهي‌هاي پيش‌بيني‌شده با بازده واقعي نشان مي‌دهد كه پيش‌بيني‌هاي انجام‌شده به‌ويژه با الگوريتم حافظه كوتاه‌مدت ماندگار، هماهنگي خوبي با داده‌هاي واقعي دارند. اين ارزيابي با استفاده از داده‌هاي تاريخي از فروردين‌ 1400 تا اسفند 1401 بورس اوراق بهادار تهران انجام شده است. اين پژوهش نوآوري‌هاي قابل توجّهي در زمينۀ پيش‌بيني و بهينه‌سازي سبد سرمايه‌گذاري ارائه مي‌دهد. فرايند پيش انتخاب سهام به طور خاص براي شناسايي بهترين سهام طراحي شده و بهبود قابل توجّهي در عملكرد مدل‌هاي بهينه‌سازي سبد ايجاد مي‌كند. اين رويكرد به سرمايه‌گذاران امكان مي‌دهد تا سهامي با بالاترين پتانسيل بازدهي و كمترين ريسك انتخاب كنند. پژوهش نشان مي‌دهد كه الگوريتم حافطۀ كوتاه‌مدت ماندگار به‌عنوان بهترين گزينه براي پيش‌بيني بازدهي سهام شناخته مي‌شود و مي‌تواند سبدهايي متناسب با سطوح مختلف ريسك‌پذيري ارائه كند. تمركز اين تحقيق بر پيش‌بيني بازدهي هر سهم با بهره‌گيري از تكنولوژي‌هاي نوين يادگيري ماشين و عميق است، كه به بررسي نقش آن‌ها در بهينه‌سازي سبد سرمايه‌گذاري و تطابق سبدها با نيازهاي ريسك‌پذيري مي‌پردازد. در نهايت، نتايج حاكي از آن است كه رويكردهاي پيشرفته مي‌توانند بهبودهاي قابل‌توجّهي در مجموعۀ سرمايه‌گذاري ايجاد كنند. اين انعطاف‌پذيري به سرمايه‌گذاران كمك مي‌كند تا سبدهاي متناسب با نيازهاي خود تشكيل دهند و تحقيق مي‌تواند مبناي مناسبي براي تحقيقات و پيشرفت‌هاي آينده در زمينه مالي و سرمايه‌گذاري باشد.

1403/07/09

Optimizing portfolio by leveraging deep learning and machine learning techniques to predict yields.

1/1/1900 12:00:00 AM

The integration of traditional time series return prediction models in portfolio construction can enhance portfolio optimization performance. In this research, deep learning and machine learning models are utilized for the pre-selection of stocks prior to portfolio formation. Various investment portfolios are created based on the predicted outcomes and the semi-variance risk metric. Additionally, a portfolio formed without these algorithms serves as a benchmark for validation, revealing that the portfolios constructed using deep learning and machine learning algorithms yield higher returns with lower risk. The comparison between predicted returns and actual returns indicates that the forecasts, particularly those generated by the Long Short-Term Memory (LSTM) algorithm, exhibit a strong alignment with real data. This assessment is conducted using historical data from the Tehran Stock Exchange from March 2021 to February 2023.** This research presents significant innovations in the domain of forecasting and optimizing investment portfolios. The stock pre-selection process is specifically designed to identify the best-performing stocks, leading to a substantial improvement in the effectiveness of portfolio optimization models. This approach enables investors to select stocks with the highest potential returns and the lowest risk. The findings suggest that the LSTM algorithm is recognized as the most suitable option for predicting stock returns and can provide portfolios tailored to various levels of risk tolerance. This study focuses on forecasting the return of each stock using advanced machine learning and deep learning technologies, examining their role in optimizing investment portfolios and aligning portfolios with risk preferences. Ultimately, the results indicate that advanced approaches can yield significant improvements in investment collections. This flexibility assists investors in creating portfolios that meet their needs and the research may serve as a solid foundation for future studies and advancements in the fields of finance and investment.

بهينه‌سازي سبد سرمايه‌گذاري , يادگيري عميق , يادگيري ماشين , پيش‌بيني بازدهي , پيش انتخاب سهام , بازار بورس اوراق بهادار تهران

Portfolio optimization , deep learning , machine learning , return prediction , stock pre-selection , Tehran Stock Exchange

Roghaye Zarezade

Rouzbeh Ghousi