ارائه مدل ترکیبی بهینه سازی سبد سهام براساس پیش بینی قیمت با شبکه عصبی بازگشتی LSTM به کمک محدودیت های کاردینالیتی و روش های تصمیم گیری چندمعیاره (مطالعه موردی بورس اوراق بهادار تهران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی قیمت سهام به دلیل ماهیت نوسانی بازار و پویایی روند حرکت قیمت، نقش مهمی در ایجاد یک استراتژی کارآمد با بازدهی بالا دارد، همچنین نتایج حاصل از پیش بینی، پیش نیاز ایجاد سبد سهام با ساختاری بهینه است. لذا هدف از انجام این پژوهش ارائه مدلی ترکیبی است تا به سرمایه گذاران در انتخاب سبد سهام بهینه کمک نماید. بنابراین، با استفاده از فرآیند تحلیل سلسله مراتبی بهبود یافته از میان صنایع فعال در بورس اوراق بهادار تهران، ده صنعت برتر براساس معیارهای مؤثر بر ارزش صنایع انتخاب می شوند. سپس با کمک شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار قیمت سهام شرکت های فعال طی بازه زمانی ابتدای خرداد 1395 تا ابتدای خرداد 1400، در افق های زمانی مورد نظر، پیش بینی می گردد. در گام بعد با روش راه حل سازشی ترکیبی، سه سبد سهام با افق زمانی کوتاه مدت، میان مدت و بلند مدت انتخاب می شود و در نهایت براساس مدل دارایی محدود مارکویتز با استفاده از روش برنامه ریزی غیرخطی عدد صحیح مختلط با الگوریتم شاخه و برش، اوزان بهینه مشخص و مرز کارا رسم می گردد. نتایج پژوهش نشان می دهد، مدل ارائه شده، بازدهی بیشتری را باتوجه به ریسک در تشکیل سبدهای سهام با افق های زمانی مشخص نسبت به روش های سنتی نصیب سرمایه گذاران می نماید.A Hybrid Model for Portfolio Optimization Based on Stock Price Forecasting with LSTM Recurrent Neural Network using Cardinality Constraints and Multi-Criteria Decision Making Methods (Case study of Tehran Stock Exchange)
Due to the dynamic trend of stock prices and the volatile nature of the market, asset price forecasting plays a key role in creating an efficient strategy, and the results of price forecasting are a prerequisite for creating an optimal stock portfolio. The purpose of this study is to provide a hybrid model to help investors in selecting the optimal portfolio. Therefore, ten top industries have been selected among the active industries of the Tehran Stock Exchange using IAHP method, Then, the stock price of companies listed on the Tehran Stock Exchange from 2016 to 2021 are forecast at the considered time horizons using LSTM. In the next step, three portfolios with different time horizons are selected by using the CoCoSo method, and finally, optimal weights have been determined and an efficient frontier has been drawn using Mixed-Integer Quadratic Program and Branch and Cut Algorithm based on LAM Model. According to the results of this research, the proposed model gives higher returns to investors due to the risk of constituting portfolios with specified time horizons in contrast to traditional approaches
تبلیغات
