بهینهسازی سبد سهام بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز مبتنی بر یادگیری ماشین جمعی دو سطحی
الموضوعات : دانش مالی تحلیل اوراق بهادار
ساناز فریدی
1
,
مهدی معدن چی زاج
2
,
امیر دانشور
3
,
شادی شاهوردیانی
4
,
فریدون رهنمای رودپشتی
5
1 - دانشجوی دکتری گروه مدیریت مالی ،دانشکده مدیریت و اقتصاد ،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد یار گروه مدیریت مالی، دانشکده مدیریت ،دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران (نویسنده مسئول)
3 - استادیار گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران
4 - استادیار، گروه مدیریت بازرگانی ، دانشگاه آزاد اسلامی، واحد شهرقدس، تهران، ایران
5 - استاد، گروه مدیریت، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
الکلمات المفتاحية: مدل نسبت امگا, مدل میانگین - واریانس مارکوئیت, ماشین یادگیری جمعی دو سطحی, الگوریتم فرا ابتکاری,
ملخص المقالة :
در این مقاله به بهینه سازی سبد سهام شرکت های فعال پذیرفته شده در اوراق بهادار بورس تهران بر اساس مدل ترکیبی نسبت امگا و میانگین - واریانس مارکوئیتز (MVOF) پرداخته شده است. برای این امر 480 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1390 تا 1399 انتخاب و بر اساس داده های ورودی به فیلتر کردن شرکت ها پرداخته شد. از این رو یک روش ترکیبی متشکل از روش بهینه سازی قواعد معاملاتی مبتنی بر تحلیل تکنیکال (6 اندیکاتور RSI، ROC، SMA، EMA، WMA و MACD) و ماشین یادگیری جمعی دو سطحی (SVM، RF، BN، MLP و KNN) جهت آموزش داده ها و ارائه سیگنال خرید پرداخته شد. لذا 85 شرکت جهت بهینه سازی سبد سهام انتخاب شدند. برای آموزش داده های از 85 شرکت فیلتر شده توسط روش ترکیبی استفاده و تعداد طبقات مختلف با 50 یادگیرنده استفاده شده است. نتایج نشان میدهد استفاده از مدل OF نسبت به مدل MVF بالاترین بازده سبد سهام را در طی سال های 1395 تا 1399 دارد. در حالی که مدل MVF پایین ترین میزان ریسک سرمایه گذاری را به خود اختصاص داده است. در نتیجه با ترکیب مدل های فوق، مشاهده شده بازده سبد سهام در این روش بسیار بالاتر از روش های دیگر است. در حالی که ریسک سرمایه گذاری ان کمتر بوده است. لذا در صورت استفاده از مدل MVOF بازدهی سبد سهام افزایش و ریسک سرمایه گذاری در آن کاهش می یابد.
model for portfolio selection: A comparison with mean–variance analysis. Journal
of Economic Dynamics and Control, 26, 1159–1193.
companies in Iran. Modern Research in Performance Evaluation.
York: John Wiley Sons Inc
forecasting and transaction costs. International Review of Economics & Finance, 66,
118–130, 2020.
Zhang, Z., Zohren, S., & Roberts, S. (2020). Deep learning for portfolio optimization. The Journal of Financial Data Science, 2(4), 8-20
_||_