به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها

محورهای موضوعی : مهندسی مالی

محمد سرچمی ¹ (گروه حسابداری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران)
احمد خدامی پور ² (گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر، کرمان، ایران)
مجید محمدی ³ (گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان، ایران)
حدیث زینلی ⁴ (گروه حسابداری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران)

تاریخ دریافت : 1399/01/15 تاریخ پذیرش : 1399/03/17 تاریخ انتشار : 1399/10/01

کلید واژه: بازده, یادگیری عمیق, یادگیری ماشین, پرتفوی سهام,

چکیده مقاله :

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به‌‌کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده‌ها، مدل‌های یادگیری عمیق موردنظر در نرم‌افزار آناکوندا و زبان برنامه‌نویسی پای‌تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل‌ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده، بازده مرکب، ترینر و جنسن تعیین شد. با توجه به نرخ بازده بدون ریسک و نرخ بازده بازار و اینکه سرمایه‌گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم‌چنین نتایج ارزیابی پرتفوی دو شاخص ترینر و جنسن، این نتیجه حاصل گردید که مدل شبکه عصبی کانولوشن یادگیری عمیق توانایی تشکیل پرتفوی بهینه سهام را دارد و بر طبق همین استدلال، مدل شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد.

چکیده انگلیسی:

Although econometric models are appropriate for describing and evaluating the relationships between variables and statistical inference, but they have some limitations for financial analysis. Many efforts have been made to model nonlinear relationships in financial data using machine learning technologies. The purpose of this study is to apply machine learning models to form optimal stock portfolios and compare their performance. The statistical sample of the present study consists of 156 companies listed in Tehran Stock Exchange during the period 2009-2018. After data collection, the intended deep learning models in Anaconda software and Python programming language were tested, and then the ability of each model was determined by return evaluation, composite return, trenors and jensens criteria to form an optimal stock portfolio. According to the free-risk and market return rate, forming portfolio by investor to more profit than these two rates and portfolio valuation results of trenors and jensens indexes, it was concluded that the deep Convolutional Neural Network is able to for optimal portfolio. According to this reasoning, the long short-term memory model is not capable of optimal portfolio formation.

منابع و مأخذ:

1. اعلامی یان هرندی فریناز و ولی درهمی. (1396). استخراج ویژگی از داده‌های عمیق با استفاده از روش یادگیری عمیق برای کنترل با ناظر ربات چرخ‌دار. مجله کنترل دانشگاه خواجه‌نصیرالدین طوسی. 11(4): 13-24.


2. بیات علی و لیدا اسدی. (1396). بهینه‌سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکوئیتز. مجله مهندسی مالی و مدیریت اوراق بهادار. ص 85-63.


3. پارسائیان علی. (1393). تئوری حسابداری. انتشارات ترمه. جلد اول. چاپ سوم. ص 353-352.


4. پارسائیان علی و بهروز خدا رحمی. (1394). تئوری‌های نوین سرمایه‌گذاری. انتشارات ترمه. چاپ سوم. ص 6.


5. توتونچیان علی. (1397). یادگیری عمیق با مطلب، همراه با یادگیری ماشین و شبکه‌های عصبی. مؤلف فیل کیم. انتشارات دانشگاهی کیان. ص 13-12.


6. تهرانی رضا و عسکر نوربخش. (1394). مدیریت سرمایه‌گذاری. انتشارات نگاه دانش. چاپ سیزدهم. ص 175.


7. رهنمای رود پشتی فریدون، کاظم چاووشی و ابراهیم صابر. (1393). بهینه‌سازی پرتفوی متشکل از سهام صندوق‌های سرمایه‌گذاری مشترک بورس اوراق بهادار تهران با رویکرد الگوریتم ژنتیک. فصلنامه علمی و پژوهشی دانش سرمایه‌گذاری. 3(12): 217-231.


8. کوهبنانی نژاد فرناز، داریوش فرید  و حجت الله صادقی. (1397). انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی. مطالعات مدیریت صنعتی. 16(48): 151-131.


9. عبادی دولت‌آبادی میر کریم. (1387). روش‌های تحلیل گری قیمت سهام در بورس اوراق بهادار. روزنامه همشهری، ص 18.


10. علیایی طرقبه محمد حسن، علی علیایی طرقبه و امیرحسین صدقی. (1396). ارائه جدید از DeepO Band: سنتور نوازی توسط هوش مصنوعی با استفاده از مدل‌سازی زبان و یادگیری عمیق. فصلنامه علمی تخصصی ایده‌های نو در علوم، مهندسی و فناوری. 1(3): 37-46.


11. فلاح‌پور سعید، حسین صفری و نادر عمرانی. (1393). انتخاب پرتفوی با استفاده از ترکیب روش برنامه‌ریزی ترجیحات فازی لگاریتمی و پرومتر. مجله علوم اجتماعی و اقتصادی. 2(5): 103-120.


12. لطف الهی محمد، رامین شیرالی حسین زاده، مهدی جعفری سیاوشانی و محمد صادق صابریان. (1395). کاربرد یادگیری عمیق در تشخیص ترافیک شبکه‌های کامپیوتری. بیست و دومین کنفرانس ملی انجمن کامپیوتر ایران.


13. محققی، سعید. (1397). آموزش جامع یادگیری عمیق. انتشارات فرادرس. ص 10.


14. میرزایی حمیدرضا،احمد خدامی پور و امید پور حیدری. (1395). بررسی کاربرد الگوریتم ژنتیک چند هدفه در بهینه‌سازی سهام با استفاده از شاخص‌های تکنیکال. مجله مهندسی مالی و مدیریت اوراق بهادار. 29: 84-64.


15. مروتی شریف‌آبادی علی، شیرین عزیزی و نسترن احمدی. (1394). به‌کارگیری الگوریتم رقابت استعماری (ICA) در بهینه‌سازی و تشکیل پرتفولیو. فصلنامه علمی و پژوهشی دانش سرمایه‌گذاری. 4(13): 41-19.


16. میزبان هدیه سادات، زهرا افچنگی، مهدی احراری، فرشاد آروین، علی سوری. (1391). بهینه‌سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه‌گیری ریسک. فصلنامه علوم اقتصادی. 6(19): 227-205.


17. نظری رضا. (1387). حسابداری سرمایه‌گذاری در سهام و سایر اوراق بهادار. مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی، چاپ یازدهم، 4-3.

 

18. Aouni, B. (2009). Multi-attribute portfolio selection: new prespectives. INFOR. 47(1): 1-4.


19. Arel, I. Rose, D.C. Karnowski, T.p. (2010). Deep Machine Learning - A New Frontier in Artificial Intelligence Research [Research Frontier]. IEEE Computational Intelligence Magazine. 5: 13-18.


20. Beak, Y. Kim, H.Y. (2018). ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module. Expert Systems with Applications. P 1-50


21. Courville, I. (2016). Deep learning. MIT press.


22. Deep Learning Tutorial. (2015). LISA lab, University of Montreal.


23. Essid, H. Ganouati, J. Vigeant, S. (2018). A mean-maverick game cross-efficiency approach to portfolio selection: an application to Paris stock exchange. Expert system with applications.1-45.


24. Jones, C. P. (2002). Investment Management and Analysis. (8th ed.). NewYork. John Wiley & Sons.


25. Hochreiter, S. Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735-1780.


26. Hutton, A.P., Marcus, A.J., Tehranian, H., (2009). Opaque Financial Reports, R2, and Crash Risk. Journal of Financial Economics, 94, 67-86.


27. Markowitz, H. (1952). Portfolio selection. J. Finance. 7 (1) 77–91.


28. Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. John Wiley & Sons


29. . Olah, C. (2015). Understanding lstm networks. GITHUB blog. P 27.


30. Patari, E. Karell, V. Luukka. P. Yeomans, J. (2018). Comparison of the multicriteria decision-making methods for equity portfolio selection: The U.S. evidence. European Journal of Operational Research. P 1-38.


31. Patari, E. J. Leivo, T. H. Samuli Honkapuro, J. V. (2010). Enhancement of value portfolio performance using data envelopment Studies in Economics and Finance. 27(3): 223-246.


32. Thakur, G. Bhattacharyya, R. Sarkar, S. (2017). Stock portfolio selection using dempster-shafer evidence theory. Journal of king Saud university computer and information science.1-13.


33. Tom M. Mitchell. (1997). Publisher McGraw-Hill Science. Based on 16 reviews.


34. Yunusoglu, G. selim, H. (2013). A fuzzy rule based expert system for stock evaluation and potfolio construction: an application to Istanbul stock exchange. Expert system with application. (40): 908-920


35. Wilmott, P. (2007). Paul Wilmott introduces quantitative finance. John Wiley & Sons.


36. Zhou, X. Wang, J. Yang, X. Lev, V. Tu, Y. Wang, SH. (2018). Portfolio selection under different attitudes in fuzzy environment. Information Sciences. 462: 278-289.

 

 

1. Declaration of Yan Herandi Farinaz and Vali Derhami. (2016). Feature extraction from deep data using deep learning method for control with wheeled robot observer. Khwaja Nasiruddin Tusi University Control Journal. 11(4): 13-24.


2. 2. Bayat Ali and Lida Asadi. (2016). Stock portfolio optimization: usefulness of birds algorithm and Markowitz model. Journal of Financial Engineering and Securities Management. pp. 63-85.


3. 3. Parsaian Ali. (2013). Accounting Theory. Terme publications. first volume. Third edition. pp. 353-352.


4. 4. Parsaiyan Ali and Behrouz Khoda Rahmi. (2014). New investment theories. Terme publications. Third edition. P. 6.


5. 5. Tutunchian Ali. (2017). Deep learning with content, along with machine learning and neural networks. Written by Phil Kim. Kian University Press. pp. 12-13.


6. 6. Tehrani Reza and Askar Nurbakhsh. (2014). Investment management. Negha Danesh Publications. 13th edition P. 175.


7. 7. Guide to Rud Pushti Fereydoun, Kazem Chavoshi and Ebrahim Saber. (2013). Optimizing the portfolio consisting of mutual fund shares of Tehran Stock Exchange with genetic algorithm approach. The Scientific and Research Quarterly of Investment Knowledge. 3(12): 217-231.


8. 8. Kohbanani Nejad Farnaz, Dariush Farid and Hojatullah Sadeghi. (2017). Optimal portfolio selection using expert system in Mamdani fuzzy environment. Industrial management studies. 16(48): 151-131.


9. 9. Ebadi Dolatabadi Mir Karim. (1387). Stock price analysis methods in the stock exchange. Hamshahri newspaper, page 18.


10. 10. Aliai Targbeh Mohammad Hassan, Ali Aliai Targbeh and Amir Hossein Sedki. (2016). New presentation from DeepO Band: Sintrum playing by artificial intelligence using language modeling and deep learning. Specialized scientific quarterly of new ideas in science, engineering and technology. 1(3): 37-46.


11. 11. Falahpour Saeed, Hossein Safari and Nader Omrani. (2013). Portfolio selection using the combination of logarithmic fuzzy preference programming method and prometer. Journal of Social and Economic Sciences. 2(5): 103-120.


12. 12. Lotf Elahi Mohammad, Ramin Shirali Hosseinzadeh, Mehdi Jafari Siavashani and Mohammad Sadegh Sabrian. (2015). Application of deep learning in computer network traffic detection. The 22nd National Conference of the Iranian Computer Association.


13. 13. Mohagheghi, Saeed. (2017). Comprehensive deep learning training. Faradars Publications. P. 10.


14. 14. Mirzaei Hamidreza, Ahmed Khodamipour and Omidpour Heydari. (2015). Investigating the application of multi-objective genetic algorithm in stock optimization using technical indicators. Journal of Financial Engineering and Securities Management. 29: 84-64.


15. 15. Maruti Sharifabadi Ali, Shirin Azizi and Nastern Ahmadi. (2014). Application of Colonial Competition Algorithm (ICA) in portfolio optimization and formation. The Scientific and Research Quarterly of Investment Knowledge. 4(13): 19-41.


16. 16. Hosted by Hedi Sadat, Zahra Afchengi, Mehdi Ahrari, Farshad Arvin, Ali Suri. (2011). Stock portfolio optimization using particle swarm algorithm in different definitions of risk measurement. Economic Sciences Quarterly. 6(19): 227-205.


17. 17. Nazari Reza. (1387). Accounting for investments in stocks and other securities. Specialized Research Center for Accounting and Auditing, Audit Organization, 11th Edition, 3-4.


18.