بهینهسازی سبد سرمایهگذاری به کمک پیشبینی بازده مورد انتظار با استفاده از روشهای شبکه عصبی LSTM، جنگل تصادفی و ARIMA | ||
| چشم انداز مدیریت مالی | ||
| دوره 13، شماره 43، 1402، صفحه 9-28 اصل مقاله (1.61 M) | ||
| نوع مقاله: علمی - پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/jfmp.2024.104191 | ||
| نویسندگان | ||
| امیرعلی اقتصاد1؛ عمران محمدی2 | ||
| 1دانشجوی کارشناسی ارشد مهندسی صنایع، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2استادیار، گروه مهندسی صنایع، دانشگاه علم وصنعت، تهران، ایران | ||
| چکیده | ||
| در جهان امروز اهمیت مدلهای بهینهسازی سبد سرمایهگذاری به صورت فزایندهای مورد توجه قرار گرفته است. هرچند پیشبینی بازده مورد انتظار گزینههای سرمایهگذاری و در نظر گرفتن آنها در تابع هدف بیشینهسازی سود امری رایج است لیکن مهمترین نوآوری پژوهش جاری کمینهسازی خطای پیشبینی به عنوان تابع هدف است. این نوآوری به سرمایهگذاران توصیه میکند که در تشکیل سبد سرمایهگذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیشبینی بودن گزینههای سرمایهگذاری نیز تاکید گردد. ادغام پیشبینی بازده مدلهای سری زمانی سنتی در تشکیل پورتفولیو میتواند عملکرد مدل بهینهسازی سبد اصلی را بهبود بخشد. از آنجایی که مدلهای یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدلهای سری زمانی نشان دادهاند، این مقاله پیشبینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظهی کوتاهمدت طولانی ترکیب میکند. به منظور ارزیابی عملکرد مدل پیشنهادی، دادههای تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان میدهد که مدلهای بهینهسازی میانگین واریانس با پیشبینی بازدهی بهوسیله جنگل تصادفی ، بهتر عمل میکنند. | ||
| کلیدواژهها | ||
| بهینهسازی پرتفولیو؛ یادگیری ماشین؛ یادگیری عمیق؛ خطای پیشبینی؛ سنجه ریسک مالی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 4,937 تعداد دریافت فایل اصل مقاله: 2,760 |
||