بهینه‌سازی سبد سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران بر اساس روش‌های ترکیبی یادگیری ماشین جمعی دوسطحی و الگوریتم‌های فرا ابتکاری چند هدفه مبتنی بر رویکرد زمان سنجی بازار

الموضوعات :

ساناز فریدی ¹ , امیر دانشور ² , مهدی معدن چی زاج ³ , شادی شاهوردیانی ⁴

1 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت صنعتی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه مدیریت مالی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران

تاريخ الإرسال : 09 الأحد , ربيع الثاني, 1443 تاريخ التأكيد : 15 الأحد , جمادى الأولى, 1443 تاريخ الإصدار : 27 الجمعة , صفر, 1444

الکلمات المفتاحية: "الگوریتم‌های فرا ابتکاری چند هدفه", "بهینه‌سازی سبد سهام", "زمان سنجی بازار", "مدل ترکیبی (جمعی ) یادگیر ی ماشین",

ملخص المقالة :

در این مقاله با استفاده از رویکرد زمان سنجی بازار وروش‌های یادگیری جمعی همگن و غیر همگن به ارائه سیگنال خرید، نگهداری و فروش و پیش‌بینی بازار بر اساس ویژگی‌های بنیادی ویژگی‌های فنی و سری زمانی بازدهی هر شرکت در 100 روز منتهی به روز جاری پرداخته شده است. بر این اساس ، 208 شرکت که به عنوان شرکت‌های فعال بین سال‌های 1390 تا 1399 بودند، انتخاب شدند. برای آموزش داده‌ها توسط ماشین یادگیری جمعی دوسطحی (HHEL) و پیش‌بینی روند بازار بر اساس استراتژی زمان سنجی بازار ، از داده‌های 5 سال 1390 تا 1394 استفاده و برای تست داده‌ها به منزله بهینه‌سازی سبد سهام بر اساس بیشینه سازی بازده سبد سهام و کمینه سازی ریسک سبد سهام سرمایه‌گذاری، از الگوریتم‌های MOPSO و NSGA II استفاده و با سبد سرمایه گذاری بدست آمده با استراتژی خرید و نگهداری مقایسه شده است. نتایج نشان داد الگوریتم MOPSO بالاترین بازده سبد سهام را با 96.437 % در مقابل الگوریتم NSGA II با بازدهی 91.157 % و روش سرمایه‌گذاری یکسان با بازدهی 13.058 % بدست آورده است. همچنین ریسک سبد سرمایه‌گذاری در الگوریتم NSGA II بسیار پایین تر از ریسک سبد سرمایه‌گذاری در الگوریتم MOPSO به ترتیب با 0.792% و 1.367% بوده است.