سيدامير بوذرجمهري

Portfolio Optimization Using Machine Learning an‎d Deep Learning Integrating ESG score

در اين پژوهش به توسعه مدلي براي بهينه‌سازي سبد سهام سهام شركت‌هاي شاخص Nasdaq با بهره‌گيري از روش‌هاي يادگيري ماشين و يادگيري عميق و ادغام معيارهاي زيست‌محيطي، اجتماعي و حاكميتي (ESG) اختصاص دارد. هدف اصلي، پيش‌بيني بازده سهام و ايجاد تعادل بين عملكرد مالي و پايداري از طريق الگوريتم‌هاي پيشرفته است. داده‌ها طي دوره‌اي از 1 ژانويه 2020 تا 23 اكتبر 2025 تحليل شده و مدل‌ها با تمركز بر پايداري و مقايسه عملكرد اجرا گرديده‌اند. بهينه‌سازي پرتفوليو از اهميت ويژه‌اي برخوردار است، زيرا به سرمايه‌گذاران امكان مي‌دهد با تخصيص بهينه منابع، ريسك را كاهش داده و بازده را در بازارهاي پرنوسان افزايش دهند. استفاده از شاخص ESG حائز اهميت است، زيرا اين معيارها به ارزيابي پايداري شركت‌ها در برابر چالش‌هاي زيست‌محيطي، اجتماعي و حاكميتي كمك مي‌كنند، كه نه‌تنها ريسك‌هاي غيرمالي را مديريت مي‌كند، بلكه به جلب اعتماد سرمايه‌گذاران پايدار و رعايت الزامات جهاني منجر مي‌شود. در اين پژوهش، از مدل‌هاي يادگيري ماشين شامل جنگل تصادفي (RF) و رگرسيون بردار پشتيبان (SVR)، و مدل‌هاي يادگيري عميق مانند حافظه كوتاه‌مدت بلند (LSTM)، پرسپترون چندلايه عميق (DMLP) و شبكه عصبي پيچشي (CNN) استفاده شده است. مقايسه‌اي ميان اين مدل‌ها از منظر دقت پيش‌بيني و عملكرد بهينه‌سازي پرتفوليو (با استفاده از مدل‌هاي ميانگين-واريانس و امگا) انجام شده است تا بهترين رويكرد براي ادغام با معيارهاي ESG شناسايي شود. نتايج نشان مي‌دهد كه مدل جنگل تصادفي در تركيب با ميانگين-واريانس عملكرد برتر را در پيش‌بيني و بهينه‌سازي ارائه مي‌دهد، در حالي كه پس از كسر هزينه‌هاي معاملاتي، مدل رگرسيون بردار پشتيبان با امگا نيز نتايج مطلوبي نشان مي‌دهد.

بهينه‌سازي پرتفوليو , يادگيري عميق , يادگيري ماشين , معيارهاي ESG , پيش‌بيني بازده , Long Short-Term Memory , Portfolio Optimization