33164

بهينه‌سازي سبد سرمايه‌گذاري با در نظرگرفتن سنجه‌هاي ريسك مختلف با استفاده از داده‌كاوي

كارشناسي ارشد

مهندسي مالي

1401

1403/12/08

دكتر عمران محمدي

دكتر روزبه قوسي

صنايع

بهينه‌سازي سبد سرمايه‌گذاري از جمله موضوعات حياتي در حوزه مالي است كه با هدف كاهش ريسك و افزايش بازدهي مورد توجه قرار مي‌گيرد. به‌كارگيري مدل‌هاي پيشرفته يادگيري ماشين مي‌تواند به بهبود دقت پيش‌بيني بازده سهام و تصميم‌گيري بهينه در سرمايه‌گذاري كمك كند. با وجود تحقيقات گسترده در زمينه بهينه‌سازي سبد سرمايه، اغلب مطالعات از روش‌هاي سنتي براي انتخاب سهام استفاده كرده‌اند و نقش پيش‌انتخاب سهام در بهينه‌سازي كمتر مورد بررسي قرار گرفته است. همچنين، استفاده هم‌زمان از معيارهاي واريانس و نيم‌واريانس در بهينه‌سازي سبد، همراه با محدوديت‌هاي كارديناليتي و وزن، كمتر مورد توجه قرار گرفته است.در اين پژوهش، ابتدا سهام‌ منتخب از صنايع مختلف بر اساس ارزش بازار در سه خوشه كوچك، متوسط و بزرگ دسته‌بندي شدند. سپس، بازدهي اين سهام با استفاده از دو مدل يادگيري ماشين تقويت گراديان شديد و ماشين بردار پشتيبان پيش‌بيني شد و سهم‌هايي كه در هر دو مدل بالاترين بازدهي را داشتند، براي ورود به فرآيند بهينه‌سازي انتخاب شدند. بهينه‌سازي سبد بر اساس مدل‌هاي واريانس و نيم‌واريانس و در دو حالت ريسك گريزي و ريسك پذيري همراه با محدوديت‌هاي كارديناليتي و وزن، انجام شد. نتايج نشان داد كه استفاده از روش پيش‌انتخاب سهام منجر به بهبود بازدهي و كاهش ريسك شد و مدل نيم‌واريانس در مقايسه با مدل واريانس، عملكرد بهتري داشت. اين يافته‌ها بر اهميت تركيب روش‌هاي يادگيري ماشين و بهينه‌سازي در مديريت سرمايه تأكيد داشته و مي‌تواند مبنايي براي تحقيقات آينده باشد.

1403/12/25

Portfolio optimization by considering different risk measures with using data mining

2/27/2026 12:00:00 AM

Portfolio optimization is a critical topic in finance, aiming to minimize risk while maximizing returns. The application of advanced machine learning models can enhance the accuracy of stock return predictions and facilitate optimal investment decisions. Despite extensive research in portfolio optimization, most studies have relied on traditional stock selection methods, with less emphasis on the role of pre-selection in optimization. Additionally, the simultaneous use of variance and semi-variance risk measures, combined with cardinality and weight constraints, has received limited attention. In this study, stocks from various industries were categorized into three clusters (small, medium, and large market capitalization). Their returns were then predicted using two machine learning models: Extreme Gradient Boosting (XGBoost) and Support Vector Machine (SVM). Stocks with the highest predicted returns in both models were selected for the optimization process. Portfolio optimization was conducted using variance and semi-variance models under both risk-averse and risk-seeking scenarios, incorporating cardinality and weight constraints. The results demonstrated that pre-selecting stocks improved returns and reduced risk, while the semi-variance model outperformed the variance model in terms of risk-adjusted returns. These findings highlight the significance of integrating machine learning-based stock selection with optimization techniques in investment management, providing a foundation for future research.

بهينه‌سازي سبد سرمايه‌گذاري , سنجه‌هاي ريسك , داده‌كاوي , پيش‌انتخاب , يادگيري ماشين

Portfolio optimization , Risk measures , Data mining , Pre-selection , Machine learning

Ghazaleh Nayerpour

Dr. Emran Mohammadi