بهینه سازی سبد سهام با استفاده از یادگیری تقویتی عمیق مبتنی بر مدل شبکه عصبی کانولوشن
بهینه سازی سبد سهام با استفاده از یادگیری تقویتی عمیق مبتنی بر مدل شبکه عصبی کانولوشن
الموضوعات : دانش مالی تحلیل اوراق بهادار
ساناز دلیلی
1
,
یاسر رضائی پیته نوئی
2
,
محمدتقی کبیری
3
,
مهدی صفری گرایلی
4
,
میثم عرب زاده
5
1 - دانشجوی دکتری گروه مهندسی مالی، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
2 - دانشيار گروه حسابداری، دانشکدۀ مديريت و اقتصاد، دانشگاه گیلان، رشت، ایران.(نویسنده مسئول).
3 - استادیار گروه حسابداری، دانشکده علوم اداری و اقتصادی، دانشگاه اراک،اراک ،ایران
4 - دانشیار گروه حسابداری، واحد بندرگز، دانشگاه آزاد اسلامی، بندرگز، ایران
5 - استادیار گروه حسابداری، واحد کاشان، دانشگاه آزاد اسلامی،کاشان، ایران
الکلمات المفتاحية: بهینه سازی, سبد سهام , یادگیری تقویتی عمیق , شبکه عصبی کانولوشن.,
ملخص المقالة :
مدلهای کلاسیک بهینه سازی پرتفوی، زمانی که محدودیت های بازار سرمایه و معیارهای تشکیل پرتفوی کم باشد قابل استفاده هستند. ولی با توجه به واقعیت های بازار سرمایه و ضعف مدل های کلاسیک در کشف روابط پیچیده و غیرخطی میتوان پی برد که مسئله پیچیده تر و فراتر از مدل های کلاسیک است. در حل مسائل این چنین پیچیده، علوم بین رشته ای، کامپیوترها و مدل های مبتنی بر یادگیری ماشین به کمک انسانها آمده اند و رویکردی موفق در حل این مسائل داشته اند. اخیراً تکنیکهای یادگیری عمیق، همچون شبکه عصبی بازگشتی برای بهینه سازی سبد سهام طراحی شدهاند. در این پژوهش، یک مدل شبکه عصبی کانولوشن یادگیری تقویتی عمیق، برای بهینه سازی سبد سهام بر اساس دادههای تاریخی پیشنهاد شدهاست. بـدين منظـور، ازبازدهي هاي روزانة 20 شركت پذيرفته شده در بورس اوراق بهادار تهران كه داراي نقدينگي بالا در بازة زماني 1392 تا 1401 بودند، استفاده شده است. نتايج به دست آمده از اين تحقيق نشـان مي دهد بر اساس ارزیابی بازده پرتفوی، شاخص ریسک و شاخص شارپ و اینکه در همه معیارها نتایج به دست آمده پرتفوی مدل شبکه عصبی کانولوشن یادگیری عمیق در حد مطلوبی بوده است، می توان بیان داشت مدل شبکه عصبی کانولوشن یادگیری عمیق دارای توانایی مطلوبی در تشکیل پرتفوی بهینه سهام می باشد.
تهرانی، رضا، فلاح تفتی، سیما و آصفی، سپهر.(1397). بهینه سازی سبد سهام به کمک الگوریتم فراابتکاری دسته های میگو با استفاده از معیارهای مختلف از ریسک در بورس اوراق بهادار تهران، فصلنامه تحقیقات مالی، 20(4).87-101.
حیدری، محمدسعید و ولیدی، جواد و ابراهیمی، سیدبابک.(1400). بهینه سازی سبد سهام مبتنی بر مدل برنامه ریزی امکانی استوار با استفاده از الگوریتم های ژنتیک و جهش قورباغه مخلوط شده، مهندسی مالی و مدیریت اوراق بهادار، 12(47).112-127.
فتاحی نافچی، حسن، عرب صالحی، مهدی، اسماعیلیان، مجید. (1398). انتخاب سبد بهینه سهام با بکارگیری اطلاعات حسابداری، اطلاعات مبتنی برارزش و اطلاعات کارت ارزیابی متوازن -مورد مطالعه: شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. پیشرفتهای حسابداری، 11(2): 285-320.
کرکه آبادی، مهدیه و کلهری، معصومه.(1399).شناسایی و رتبه بندی عوامل موثر بر انتخاب بهینه سبد سهام با استفاده از روش AHP فازی (مطالعه موردی: بورس اوراق بهادار)،هشتمین همایش ملی پژوهش های مدیریت و علوم انسانی در ایران،تهران.
نیکو، سیده فرخ، شمس، شهاب الدین، صیقلی، محسن. (1399). مدلسازی انتخاب سبد بهینه سهام بر مبنای ارزیابی ریسک و رویکرد مالی رفتاری (حسابداری ذهنی) در بورس اوراق بهادار تهران. نشریه چشم انداز مدیریت مالی، 10(31): 75-101.
یزدانی خداشهری محمدباقر، نسل موسوی سید حسین، حسینی شیروانی میرسعید.(1400)/ انتخاب بهینه سبد سهام با استفاده از الگوریتم ترکیبی فرا ابتکاری. تحقیق در عملیات در کاربردهای آن. ۱۸ (۱) :۱۰۱-۱۲۴.
Anagnostopoulos, K.P., Mamanis, G. (2010). A portfolio optimization model with three objectives and discrete variables. Computers & Operations Research, 37 (7), 1285-1297.
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-.81
Bertsimas, D., Shioda, R. (2009). Algorithm for cardinality-constrained quadratic optimization. Computational Optimization and Applications, 43(1), 1–22.
Carandente, Vincenzo & Sperlì, Giancarlo. (2024). Harnessing Cognitively Inspired Predictive Models to Improve Investment Decision-Making. Cognitive Computation18(6). 1-16.
Chang, T. J., Meade, N., Beasley, J. E. & Sharaiha, Y. M. (2000). Heuristics for cardinality constrained portfolio optimization. Computers & Operations Research, 27 (13), 1271-1302.
Chen CH. Lu CH. Lin CH. (2020). “An intelligence approach for group stock portfolio optimization with a trading mechanism”. Knowledge and Information Systems, 62: 287-.613
Cui, Tianxiang & Ding, Shusheng & Jin, Huan & Zhang, Yongmin. (2022). Portfolio constructions in cryptocurrency market: A CVaR-based deep reinforcement learning approach. Economic Modelling. 11(9). 89-116.
Deng, D. Yu, D. (2013). "Deep Learning: Methods and Applications Found". Trends Signal Process,7(4): 197–387.
Essid, H. Ganouati, J. Vigeant, S. (2018). "A mean-maverick game crossefficiency approach to portfolio selection: an application to Paris stock exchange". Expert system with applications,1-45.
Fernandez, A. & Gomez, S. (2007). Portfolio Selection Using Neural Networks. Computer & Operation Research, 34(4), 1177-1191.
Ghodusi, S., Tehrani, R. & Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Journal of Financial Research, 17(9), 141-158.
Gulpinar, N., An, L.T.H., Moeini, M. (2010). Robust investment strategies with discrete asset choice constraints using DC programming. Optimization, 59(1), 45-62.
Ma, Yong & Jiang, Hao & Xiao, Weilin. (2021). Tax evasion, audits with memory, and portfolio choice. International Review of Economics & Finance. 71. 896-909.
Mehlawat, M. Kumar, A. Yadav, S. Chen, W. (2018). "Data envelopment analysis based fuzzy multi-objective portfolio selection model involving higher moments". Information Sciences, 460–461:128–150.
Piao, Jinze. (2023). Portfolio Optimization Based on Deep Learning and Factor Constraints. Advances in Economics, Management and Political Sciences. 48(5). 264-273.
Sen, Jaydip & Dutta, Abhishek & Mehtab, Sidra. (2021). Portfolio Optimization Using Deep Learning Models -A Comparative Study of Risk-Based Portfolio Design Approaches. 3rd International Workshop on Machine Learning for Finance, Ca’ Foscari University of Venice, Italy, December 17, 2021At: Venice, ItalyAffiliation: Università Ca' Foscari Venezia 10.
Sharma, Meeta & Shekhawat, Hardayal. (2022). Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network. Knowledge-Based Systems. 4(25):128-139.
Shaw, D.X., Liu, S. & Kopman, L. (2008). Lagrangian relaxation procedure for cardinality-constrained portfolio optimization. Optimization Methods & Software, 23(3), 411-420.
Woodside-Oriakhi, M., Lucas, C., & Beasley, J. E. (2011). Heuristic algo rithms for the cardinality constrained efficient frontier. European Journal of Operation al Research, 213, 538e550.
Wu, Songwei. (2023). Dynamic Optimization of Investment Portfolio Based on Self-Attention Mechanism - LSTM Model Prediction. Advances in Economics, Management and Political Sciences. 61(12). 110-119
Zhang, Erchuan. (2023). Portfolio Optimization Strategy Based on Four Deep Learning Models. Advances in Economics, Management and Political Sciences. 47(3). 295-302.
Zhou, X. Wang, J. Yang, X. Lev, V. Tu, Y. Wang, SH. (2018). "Portfolio selection under different attitudes in fuzzy environment". Information Sciences, :264 278-.2.