مدل بهینه سازی سبد سرمایه‌گذاری مبتنی بر پیش‌بینی با استفاده از رگرسیون بردار پشتیبان

محورهای موضوعی : بورس اوراق بهادار

محمدامین منادی ¹ (گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران)
امیرعباس نجفی ² (گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران)

تاریخ دریافت : 1401/01/24 تاریخ پذیرش : 1401/06/02 تاریخ انتشار : 1402/04/01

کلید واژه: پیش‌بینی قیمت سهام, رگرسیون بردار پشتیبان, انتخاب سبد, خروجی‌چندگانه,

چکیده مقاله :

هدف از بهینه‌سازی سبد سرمایه‌گذاری، انتخاب ترکیبی بهینه از دارایی‌های مالی است که می‌بایست راهنمای سرمایه‌گذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیم‌گیری‌های سبد سرمایه‌گذاری مربوط به پیش بینی قیمت سهام است. برای این کار بطور متداول از مدل‌های کلاسیک غیرخطی ریاضی و هوشمند مانند رگرسیون استفاده می شود. در مطالعه حاضر برای کاهش خطاهای پیش‌بینی، از مدل غیرخطی رگرسیون بردار پشتیبان با خروجی‌های متعدد استفاده شده است. برای نشان دادن کارایی مدل پیشنهادی از داده‌های شرکت‌های شاخص S&P500 در دوره زمانی 12/09/2016 تا 02/08/2021 استفاده شده است. نتایج نشان می‌دهد که انتخاب سبد سهام مبتنی بر پیش‌بینی به کمک رگرسیون بردار پشتیبان با خروجی چندگانه به دلیل در نظر گرفتن روابط بین خروجی‌ها به صورت همزمان از نظر معیار شارپ، عملکرد بهتری نسبت به انتخاب سبد سرمایه‌گذاری بر اساس پیش‌بینی با استفاده از روش رگرسیون دارد.

چکیده انگلیسی:

The purpose of portfolio optimization is to select an optimal combination of financial assets, which should be a guide for investors to achieve the highest returns against the lowest possible risk. On the other hand, one of the key factors in portfolio optimization decisions is related to predict the stock prices. To do this, classical nonlinear mathematical and intelligent models such as regression are commonly used. In the present study, a nonlinear model of support vector regression with multiple outputs is applied to reduce the prediction errors. To show the effectiveness of the proposed model, the data of S & P500 index companies in the period 12/09/2016 to 02/08/2021 is used. The results show that the selection of a portfolio based on prediction using multiple vector backup regression due to considering the relationships between outputs simultaneously in terms of Sharp criteria has a better performance than the selection of portfolio based on prediction using regression method.