شماره ركورد
34944
پديد آورنده
اسماعيل طاهري پور
عنوان
ارائه مدل نوآورانه براي سبد سرمايه¬گذاري با كمك مدل¬هاي پردازش زبان طبيعي(NLP)
مقطع تحصيلي
دكتري
رشته تحصيلي
مهندسي صنايع
سال تحصيل
1398
تاريخ دفاع
1404/10/3
استاد راهنما
دكتر سيد جعفر سجادي
استاد مشاور
دكتر بابك اميري
دانشكده
مهندسي صنايع
چكيده
سرمايهگذاري در بازار سهام همواره بهعنوان يكي از مهمترين ابزارهاي تخصيص بهينه منابع مالي، ارتقاي بهرهوري اقتصادي و ايجاد بستر رشد پايدار در سطح كلان اقتصادي مطرح بوده است. در عين حال، براي سرمايهگذاران فردي و نهادي نيز بازار سهام نقشي اساسي در حفظ ارزش داراييها و دستيابي به سودآوري بلندمدت ايفا ميكند. در اين ميان، مسئله تصميمگيري بهينه در انتخاب تركيب داراييها يا همان بهينهسازي پورتفوي، بهويژه در شرايط پيچيده و پرنوسان بازارهاي مالي، به يكي از محوريترين دغدغههاي پژوهشگران و فعالان اقتصادي تبديل شده است. مفهوم بهينهسازي پورتفوي، كه در ادبيات مالي معاصر جايگاهي كليدي يافته، عمدتاً بر ايجاد تعادل ميان دو عامل بنيادين يعني ريسك و بازده متمركز است. بااينحال، بررسي مطالعات پيشين نشان ميدهد كه تمركز صرف بر اين دو معيار بهتنهايي نميتواند تمام ابعاد تصميمگيري سرمايهگذاران را پوشش دهد. در عمل، عوامل ديگري همچون عملكرد واقعي شركتها و چشمانداز آتي آنها، معيارهاي پايداري (ESG) و نيز اهميت نقطه ورود به بازار نيز نقش تعيينكنندهاي در موفقيت يا شكست سرمايهگذاري دارند؛ عواملي كه در اغلب پژوهشهاي كلاسيك مالي مغفول ماندهاند و كمتر در قالب يك مدل جامع و يكپارچه مورد توجه قرار گرفتهاند. در اين رساله، چارچوبي نوين براي بهينهسازي پورتفوي پيشنهاد شده است كه همزمان چهار معيار اصلي يعني ريسك، بازده، شاخصهاي پايداري و نيز عملكرد و چشمانداز شركتها را در نظر ميگيرد. همچنين، عامل نقطه ورود به بازار بهعنوان يك متغير اثرگذار در مدل لحاظ شده است تا امكان تصميمگيري واقعبينانهتري فراهم گردد. براي عملياتيسازي اين مدل، از ابزارهاي هوش مصنوعي بهره گرفتهايم. بهطور خاص، ابزار هوش مصنوعي نوتبوك¬ال¬ام براي پردازش دادهها و مدل فينبرت براي آناليز احساسات متون مالي كار گرفته شده است. با كمك اين ابزار و مدل عملكرد و چشمانداز شركتها از گزارشات فصلي شركتها استخراج شده است. در زمينه سنجش پايداري، از شاخصهاي مرتبط با ريسك زيستمحيطي، ريسك اجتماعي و ريسك حاكميتي بهرهبرداري شده است كه امروزه بهعنوان معيارهاي كليدي در تصميمگيريهاي سرمايهگذاري پايدار شناخته ميشوند. بدين ترتيب، مدل پيشنهادي توانايي تركيب ابعاد مالي و غيرمالي را در فرآيند انتخاب داراييها داراست. افزون بر اين، يكي از چالشهاي اساسي در بهينهسازي پورتفوي يعني عدم قطعيت ذاتي بازده مورد انتظار شركتها نيز در نظر گرفته شده است. براي مواجهه با اين مسئله، نظريه مجموعههاي فازي در تركيب با تئوري اعتبار بهكار گرفته شده است تا برآوردهاي واقعبينانهتري از بازده احتمالي شركتها به دست آيد. مطالعهي موردي اين تحقيق بر شركتهاي شاخص داوجونز متمركز شده است. انتخاب اين شاخص به دليل جايگاه ويژه آن بهعنوان نماينده صنايع پيشرو در اقتصاد جهاني، امكان آزمون عملي چارچوب پيشنهادي در محيطي واقعي و پويا را فراهم ساخته است. نتايج حاصل از تحليل دادهها نشان ميدهد كه مدل پيشنهادي قادر است با در نظر گرفتن طيف وسيعي از عوامل مالي و غيرمالي، دقت و كارآمدي تصميمگيري در بهينهسازي پورتفوي را نسبت به رويكردهاي سنتي به شكل معناداري ارتقا دهد. در نهايت، يافتههاي اين پژوهش نشان ميدهد كه مدل ارائهشده ميتواند بهعنوان ابزاري كاربردي، نوآورانه و سودمند براي سرمايهگذاران مورد استفاده قرار گيرد. اين مدل نهتنها در بهبود فرآيند انتخاب داراييها و تعيين زمان مناسب ورود به بازار نقشآفرين است، بلكه به ارتقاي شفافيت، بهبود مديريت ريسك و گسترش سرمايهگذاري پايدار نيز كمك ميكند. بنابراين، ميتوان گفت كه رويكرد حاضر با ارائه بستري تركيبي از روشهاي كلاسيك مالي و ابزارهاي نوين هوش مصنوعي، چشمانداز تازهاي را در حوزه بهينهسازي پورتفوي و تصميمگيري سرمايهگذاري ترسيم ميكند.
تاريخ ورود اطلاعات
1405/03/17
عنوان به انگليسي
Providing an innovative model for portfolio management using natural language processing (NLP) methods
تاريخ بهره برداري
1/20/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
اسماعيل طاهري پور
چكيده به لاتين
Investment in the stock market has long been recognized as a key mechanism for the efficient allocation of financial resources, enhancement of economic productivity, and promotion of sustainable growth at the macroeconomic level. For both individual and institutional investors, the stock market also serves as an essential instrument for preserving asset value and achieving long-term profitability. Within this context, optimal decision-making in asset allocation commonly referred to as portfolio optimization has become one of the central challenges for researchers and practitioners, particularly in the face of complex and volatile market conditions. The concept of portfolio optimization, which fundamentally seeks to balance risk and return, occupies a pivotal position in modern financial theory. However, previous studies indicate that focusing solely on these two dimensions fails to capture the full range of factors influencing investors’ decisions. In practice, elements such as firms’ actual performance and future outlook, sustainability indicators (ESG), and the timing of market entry also play decisive roles in investment success, yet have rarely been integrated into a unified framework. This dissertation proposes a novel portfolio optimization framework that simultaneously incorporates four key criteria risk, return, sustainability metrics, and corporate performance and outlook while also accounting for the market entry point as an influential decision variable. To operationalize this model, artificial intelligence tools were employed: the NotebookLM system for data processing and the FinBERT model for sentiment analysis of financial texts, through which companies’ performance and outlook were extracted from their quarterly reports. Sustainability assessment was based on environmental, social, and governance (ESG) risk indicators, widely regarded as fundamental measures in sustainable investment decisions. The model thus integrates financial and non-financial dimensions in the asset selection process. Moreover, the inherent uncertainty associated with estimating expected returns was addressed using fuzzy set theory combined with credibility theory, providing more realistic approximations of potential returns. The empirical analysis focuses on companies listed in the DJIA, chosen for its representation of leading industries in the global economy. The results demonstrate that the proposed model significantly enhances the accuracy and efficiency of portfolio optimization compared to traditional approaches by incorporating a comprehensive set of financial and non-financial factors. Overall, the findings indicate that the proposed framework serves as an innovative, practical, and effective tool for investors. Beyond improving asset selection and market timing, it promotes greater transparency, better risk management, and the advancement of sustainable investment practices. Accordingly, this research introduces a novel and integrative perspective that bridges classical financial theories with advanced artificial intelligence techniques, offering a new pathway for portfolio optimization and investment decision-making.
كليدواژه هاي فارسي
بهينه¬سازي سبد سهام، , فينبرت، , نوتبوك¬ال¬ام، , نقطه ورود، , پايداري، , نظريه مجموعه فازي، , تئوري اعتبار , و ارزش در معرض ريسك شرطي
كليدواژه هاي لاتين
Portfolio optimization, , FinBERT, , NotebookLM, , Entry point, , Sustainability, , Fuzzy set theory, , Credibility theory, , and Conditional value at risk
Author
Esmaeil Taheripour
SuperVisor
Seyed Jafar Sadjadi