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

محورهای موضوعی : مهندسی مالی

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

تاریخ دریافت : 1400/08/23 تاریخ پذیرش : 1400/09/28 تاریخ انتشار : 1401/07/01

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

چکیده مقاله :

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.

چکیده انگلیسی:

In this article, using the market timing approach and homogeneous and inhomogeneous collective learning methods, the purchase, maintenance and sales signal and market forecast are presented based on the basic characteristics, technical characteristics and time series of returns of each company in the 100 days leading to the current day. . Based on this, 208 companies were selected as active companies between 1390 and 1399 To teach data by two-level ensemble learning machine (HHEL) and market trend forecasting based on market timing strategy, use data from 5 years 1390 to 1394 and to test the data as stock portfolio optimization based on stock portfolio maximization and risk minimization. The investment portfolio uses MOPSO and NSGA II algorithms and is compared with the obtained investment portfolio with the buy and hold strategy. The results showed that the MOPSO algorithm achieved the highest stock portfolio yield with 96.437% compared to the NSGA II algorithm with a yield of 91.157% and the same investment method with a yield of 13.058%. Also, the portfolio risk in NSGA II algorithm was much lower than the portfolio risk in MOPSO algorithm with 0.792% and 1.367%, respectively