هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روششناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی چکیده کامل
هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روششناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیشبینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینهکردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنجساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.یافتهها: در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج بهدستآمده سنجه ریسک CVAR قابلیت و نتیجه بهتری را نسبت به سنجه ریسک VAR داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.اصالت / ارزشافزوده علمی: این پژوهش با یکپارچهسازی روشهای یادگیری ماشین و سنجههای ریسک، به شکل یک نمونه سرمایه بهینه میشود. اضافهکردن سنجههای ریسک VaR و CVaR فرآیند تصمیمگیری در خصوص کاهش ریسک را تقویت میکند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشمانداز نوآورانه در تشکیل پرتفوی میبخشد. یافتهها، به سرمایهگذاران و پژوهشگران در جستجوی استراتژیهای سرمایهگذاری بهتر، یافتههای ارزشمندی ارائه میدهد.
پرونده مقاله