ارائه الگوریتم ترکیبی یادگیری ماشین و ترکیب سنجه‌های ریسک و نظریه فازی در انتخاب سبد سرمایه گذاری
دانیال محمدی
1
(گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.)
سید جعفر سجادی
2
(گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.)
عمران محمدی
3
(گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.)
نعیم شکری
4
(گروه توسعه و برنامه ریزی اقتصادی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران.)
کلید واژه: بورس اوراق بهادار تهران, یادگیری ماشین, بیز ساده, ارزش در معرض ریسک شرطی (CVaR), سبد سرمایه گذاری,
چکیده مقاله :
بازده و ریسک دو عامل مهم و اساسی برای تصمیم‌گیری در حوزه مالی می‌باشند. پژوهش حاضر جهت یافتن پرتفوی بهینه برای سرمایه‌گذاری از سهام بورسی انجام گرفته و یکی‌از روش‌هایی‌که در حال حاضر محبوبیت زیادی در بین تحلیل‌گران و پژوهش-گران این حوزه شکل گرفته، روش‌های مبتنی‌بر هوش مصنوعی و در پی آن روش‌هایی با هدف کاهش سنجه‌های ریسک می‌باشد. هدف پژوهش حاضر تشکیل پرتفوی با‌استفاده از روش‌های یادگیری ماشین، سنجه ریسک و ترکیب آن با نظریه فازی است، که بازده‌ای بهتر از بازده میانگین بازار داشته باشد. خروجی هر روش وارد الگوریتم جنگل تصادفی شده و پیش‌بینی به‌وسیله این الگوریتم صورت می‌گیرد و در مرحله آخر، خروجی پیش‌بینی برای تشکیل سبد سرمایه وارد مدل بهینه‌سازی ارزش در معرض ریسک و ارزش در معرض ریسک شرطی با رویکرد نظریه فازی می‌شوند. اطلاعات سهم‌ها به‌صورت روزانه و بازه زمانی آن از ابتدای سال 1394 تا اواسط سال 1398 می‌باشد. در پایان هرکدام از این روش‌ها و مراحل با بازده واقعی بازار مقایسه گردید. بر اساس نتایج بدست آمده سنجه‌ریسک CVAR قابلیت بهتری را نسبت‌به سنجه ریسک VAR داشته است، هم‌چنین الگوریتم جنگل تصادفی در بین الگوریتم‌های یادگیری ماشین استفاده شده، نتایج بهتری را در انتخاب سبد سرمایه‌گذاری رقم زده است.
چکیده انگلیسی :
The current research was conducted to find the optimal portfolio for investing in stock exchange stocks, and one of the methods that is currently very popular among analysts and researchers in this field is methods based on artificial intelligence, followed by methods aimed at reducing risk metrics. The aim of the current research is to form a portfolio using machine learning methods, risk measurement and its combination with fuzzy theory, which has a better return than the average return of the market. The output of each method is entered into the random forest algorithm and prediction is made by this algorithm, and in the last step, the prediction output is entered into the value-at-risk and value-at-risk optimization model with the fuzzy theory approach to form the capital portfolio. Shares information is daily and its time period is from the beginning of 2014 to the middle of 2018. At the end of each of these methods and steps, it was compared with the real return of the market. the CVAR risk measure has a better ability than the VAR risk measure, and the random forest algorithm among the used machine learning algorithms has achieved better results in choosing the investment portfolio.
_||_