بهینه سازی سبد سرمایه گذاری به کمک پیش بینی بازده مورد انتظار با استفاده از روش های شبکه عصبی LSTM، جنگل تصادفی و ARIMA (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در جهان امروز اهمیت مدل های بهینه سازی سبد سرمایه گذاری به صورت فزاینده ای مورد توجه قرار گرفته است. هرچند پیش بینی بازده مورد انتظار گزینه های سرمایه گذاری و در نظر گرفتن آن ها در تابع هدف بیشینه سازی سود امری رایج است لیکن مهم ترین نوآوری پژوهش جاری کمینه سازی خطای پیش بینی به عنوان تابع هدف است. این نوآوری به سرمایه گذاران توصیه می کند که در تشکیل سبد سرمایه گذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیش بینی بودن گزینه های سرمایه گذاری نیز تاکید گردد. ادغام پیش بینی بازده مدل های سری زمانی سنتی در تشکیل پورتفولیو می تواند عملکرد مدل بهینه سازی سبد اصلی را بهبود بخشد. از آنجایی که مدل های یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدل های سری زمانی نشان داده اند، این مقاله پیش بینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظه ی کوتاه مدت طولانی ترکیب می کند. به منظور ارزیابی عملکرد مدل پیشنهادی، داده های تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان می دهد که مدل های بهینه سازی میانگین واریانس با پیش بینی بازدهی به وسیله جنگل تصادفی ، بهتر عمل می کنند.Portfolio optimization with return prediction using LSTM, Random forest, and ARIMA
In today's world, optimizing investment portfolios has received increasing attention. While predicting the expected returns of investment options and incorporating them into the objective function for profit maximization is a common practice, the most significant innovation in current research is the minimization of prediction error as the objective function. This innovation advises investors to emphasize not only on profit and risk but also on the predictability of investment options when forming an investment portfolio. Integrating return prediction from traditional time series models into portfolio formation can enhance the performance of the primary portfolio optimization model. Since machine learning and deep learning models have demonstrated a significant superiority over time series models, this paper combines return prediction in portfolio formation with machine learning models, namely Random Forest, and deep learning model, Long Short-Term Memory (LSTM). To evaluate the performance of the proposed model, five years of historical data from 2017 to 2021 are used for five industry sectors: banking, automotive, pharmaceutical, metal, and petroleum. The experimental results demonstrate that the mean-variance optimization models perform better when return prediction is done using Random Forest
تبلیغات
