دودانگه, امیررضا, سینایی, حسنعلی, قاسمیه, رحیم. (1403). مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران. پدافند الکترونیکی و سایبری, 5(3), 11-30.
امیررضا دودانگه; حسنعلی سینایی; رحیم قاسمیه. "مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران". پدافند الکترونیکی و سایبری, 5, 3, 1403, 11-30.
دودانگه, امیررضا, سینایی, حسنعلی, قاسمیه, رحیم. (1403). 'مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران', پدافند الکترونیکی و سایبری, 5(3), pp. 11-30.
دودانگه, امیررضا, سینایی, حسنعلی, قاسمیه, رحیم. مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران. پدافند الکترونیکی و سایبری, 1403; 5(3): 11-30.

مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران

پژوهش‌های راهبردی بودجه و مالیه
مقاله 1، دوره 5، شماره 3 - شماره پیاپی 19، پاییز 1403، صفحه 11-30    اصل مقاله (1.22 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
امیررضا دودانگه1؛ حسنعلی سینایی2؛ رحیم قاسمیه* 3
1گروه مدیریت ، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران
2دانشگاه شهید چمران اهواز دانشکده اقتصاد و علوم اجتماعی، اهواز، ایران
3گروه مدیریت- دانشکده اقتصاد و علوم اجتماعی- دانشگاه شهید چمران اهواز،اهواز، ایران
چکیده
در دهه‌های اخیر، بهینه‌سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه‌سازی پورتفوی به سرمایه‌گذاران کمک می‌کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال (CNN) برای ساخت مدل‌ بهینه‌سازی پورتفوی بر پایه پیش‌بینی استفاده شده است. این مدل‌، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره‌مند می‌باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از CNN برای پیش‌بینی بازده آتی هر سهم استفاده می‌شود. سپس، خطای پیش‌بینی CNN به عنوان معیار ریسک هر سهم به کار گرفته می‌شود. ادغام بازده‌ی پیش‌بینی شده با انحراف نیمه مطلق خطای پیش‌بینی (MSAD)، منجر به ساخت مدل‌ بهینه‌سازی پورتفوی می‌شود. این مدل با پورتفوی هم وزن که سهام آن با CNN انتخاب شده‌ است، مقایسه می‌شود. همچنین، دو مدل پورتفوی مبتنی بر پیش‌بینی از طریق رگرسیون بردار پشتیبان (SVR) به عنوان پورتفوی معیار مورد استفاده قرار می‌گیرند. داده‌های تجربی این پژوهش، شامل شرکت‌های حاضر در شاخص 50 شرکت فعال‌تر بورس اوراق بهادار تهران می‌باشد. نتایج تجربی نشان می‌دهند که مدل پورتفوی مبتنی بر پیش‌بینی با CNN ، عملکرد برتری در مقایسه با SVR در شرایط بازده‌های متفاوت از خود نشان می‌دهد. همچنین، افزایش بازده مورد انتظار می‌تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه‌های عصبی عمیق (DNNها) در ایجاد مدل‌های بهینه‌سازی پورتفوی را نشان می‌دهد.
کلیدواژه‌ها
بهینه سازی پورتفوی؛ یادگیری ماشین؛ یادگیری عمیق؛ شبکه‌های عصبی؛ CNN
مراجع
آمار
تعداد مشاهده مقاله: 545
تعداد دریافت فایل اصل مقاله: 401