به کارگیری مدل بهینه سازی پورتفوی مبتنی بر پیش بینی با استفاده از شبکه عصبی CNN و معیار MSAD در بورس اوراق بهادار تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در دهه های اخیر، بهینه سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه سازی پورتفوی به سرمایه گذاران کمک می کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال (CNN) برای ساخت مدل بهینه سازی پورتفوی بر پایه پیش بینی استفاده شده است. این مدل ، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره مند می باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از CNN برای پیش بینی بازده آتی هر سهم استفاده می شود. سپس، خطای پیش بینی CNN به عنوان معیار ریسک هر سهم به کار گرفته می شود. ادغام بازده ی پیش بینی شده با انحراف نیمه مطلق خطای پیش بینی (MSAD)، منجر به ساخت مدل بهینه سازی پورتفوی می شود. این مدل با پورتفوی هم وزن که سهام آن با CNN انتخاب شده است، مقایسه می شود. همچنین، دو مدل پورتفوی مبتنی بر پیش بینی از طریق رگرسیون بردار پشتیبان (SVR) به عنوان پورتفوی معیار مورد استفاده قرار می گیرند. داده های تجربی این پژوهش، شامل شرکت های حاضر در شاخص 50 شرکت فعال تر بورس اوراق بهادار تهران می باشد. نتایج تجربی نشان می دهند که مدل پورتفوی مبتنی بر پیش بینی با CNN ، عملکرد برتری در مقایسه با SVR در شرایط بازده های متفاوت از خود نشان می دهد. همچنین، افزایش بازده مورد انتظار می تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه های عصبی عمیق (DNNها) در ایجاد مدل های بهینه سازی پورتفوی را نشان می دهد.A prediction-based portfolio optimization model using CNN neural network and MSAD criterion in Tehran Stock Exchange
Portfolio optimization as a popular research field has received many attention from researchers in recent decades. Quality of portfolio optimization helps investors generate more sustainable returns. In this research, Convolutional Neural Network (CNN) is used to build a portfolio optimization model based on prediction. This model not only benefits from deep learning technology, but also benefits from modern portfolio theory. In this approach, CNN is first used to predict the future return of each stock. Then, the prediction error of CNN is used as the risk measure of each stock. Integrating the predicted return with the semi-absolute deviation of the prediction error leads to the construction of the portfolio optimization model. This model is compared with an equally weighted portfolio whose stocks are selected with CNN. Also, two prediction based portfolio models with support vector regression (SVR) are used as benchmark portfolios. The empirical data of this research includes the companies in the index of 50 most active companies of Tehran Stock Exchange. The experimental results show that the prediction-based portfolio model with CNN shows a superior performance compared to SVR in the conditions of different returns. Also, the increase in the expected return can improve the performance of this model. This research clearly states the positive role of deep neural networks (DNNs) in creating portfolio optimization models.
تبلیغات
