24021

طراحي و بكارگيري مدل چند مرحلهاي جهت ايجاد سبد سهام بهينه به كمك روشهاي يادگيري ماشين

كارشناسي ارشد

مهندسي صنايع

1399

1399/11/04

عمران محمدي

بابك اميري

مهندسي صنايع

تئوري پرتفو يكي از مباحث مهم مديريت سبد سهام ميباشد كه تحقيقات فراواني پيرامون آن انجام شاده و كماكان راهكارهاي متفاوتي جهت مواجهه با اين موضوع ارائه ميگردد. در اين پاژوهش ياك روش تركيباي متشكل از شبكه حافظه طولاني كوتاه مدت، الگوريتم تكامل تفاضلي و مدل ميانگين ارزش در معرض خطر - شرطي با هدف انتخاب سبد سهام پيشنهاد شده است. در اين پژوهش از اطلاعات مرباو باه ساي شاركت فعال در بورس اوراق بهادار تهران مابين سالهاي 1343 الي 1341 استفاده شده اسات. در گاام نخسات باا بكارگيري شبكه حافظه طولاني كوتاه مدت و با استفاده از اطلاعات معاملات روزانه و برخي معيارهاي فناي، پيشبيني قيمت هر يك از سي سهم انجام شده است. پس از مقايسه نتايج حاصل از شبكه حافظاه طاولاني كوتاه مدت با روشهايي نظير ماشين بردار پشتيبان، جنگل تصادفي، شبكه عصبي عمياق و مادل مياانگين متحرك خودهبسته يكپارچه)آريما( مشاهده گرديد كه شبكه حافظه طولاني كوتاه مادت جهات پيشبيناي سريهاي زماني در مقايسه با ساير روشها عملكرد بهتري داشته است. در گام دوم باا اساتفاده از الگاوريتم تكامل تفاصلي و با توجه به بازده پيشبيني شده در مرحله قبل و با بكارگيري برخي از معيارهااي بنياادي، امتياز هر يك از سي سهم را محاسبه ميكنيم. نهايتا هفت سهم برتر مرحله قبال در مرحلاه ساوم در نظار گرفته شده و با استفاده از مدل ميانگين ارزش در معرض خطر شرطي، استراتژيهاي مختلف جهت تشكيل - سبد سهام شناسايي و 20 استراتژي متفاوت به سرمايه گذار پيشنهاد شده است. در انتها نيز به ارزيابي مدل پيشنهادي اين پژوهش پرداخته شده است كه مشخص گرديد مدل پيشنهادي ما عملكرد مناسابي از خاود نشان داده است.

1400/04/20

Designing and Utilizing a Multi-Level Model for Portfolio selection Using Machine Learning Methods

1/24/2022 12:00:00 AM

Portfolio theory is one of the most widely researched topics in portfolio management in which there are still various solutions to deal with it between scholars. In this research, we propose a combined method consisting of Long Short-term Memory (LSTM) network, Differential Evolution (DE) algorithm, and Conditional Value-at-Risk (CVaR) to select an optimized portfolio. To achieve this, we use thirty companies' daily transactions data in the Tehran Stock Exchange Market from 2014 to 2020. In the first step, the price of each of the thirty shares are predicted using a LSTM network and some technical criteria. As a result, the LSTM has more accurate predictions compared to SVM, Random Forest, Deep Nueral Network, and Arima. Second, considering the former prediction and using DE algorithm, we evaluate the score of each thirty companies' shares so that select the top seven shares. In the third stage, we employ CVar to propose twenty efficient portfolios to the investor. Finally, we test the validation of the proposed model using an efficient frontier and find out that our model has better performance.

انتخاب سبد سهام , يادگيري ماشين , الگوريتم تكامل تفاضلي , حافظه طولاني كوتاه مدت , ارزش در معرض خطر شرطي

Portfolio selection , Machine learning , Differential evolution algorithm , Long short term memory , Conditional value at risk