مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران
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...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Imam Hussein University
2024-09-01
|
| Series: | پژوهشهای راهبردی بودجه و مالیه |
| Subjects: | |
| Online Access: | https://fbarj.ihu.ac.ir/article_209376_57f776014a055050647e8d27a57bd77a.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | 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. |
|---|---|
| ISSN: | 2717-1809 2717-199X |