بهینه سازی پرتفوی با استفاده از ادغام تحلیل پوششی داده ها با منابع داده چندگانه با رویکرد یادگیری ماشین در بورس اوراق بهادار تهران
آرشیو
چکیده
هدف: این پژوهش با هدف بهینه سازی پرتفوی سرمایه گذاری از طریق ترکیب تحلیل پوششی داده ها و یادگیری ماشین با استفاده از داده های چندمنبعی در بورس اوراق بهادار تهران انجام شده است. هدف اصلی ارایه یک مدل پیشرفته برای انتخاب سهام و بهینه سازی پرتفوی به گونه ای است که سرمایه گذاران بتوانند استراتژی های کارآمدتری را نسبت به روش های سنتی اتخاذ کنند. روش شناسی پژوهش: در این مطالعه، ابتدا از مدل تحلیل پوششی داده ها برای ارزیابی کارایی سهام از نظر بازده تاریخی و همبستگی دارایی استفاده شده است. سپس با استفاده از ماشین بردار پشتیبان و ترکیب داده های چندمنبعی، روند حرکت قیمت سهام پیش بینی شده است. به منظور بهبود دقت مدل، روش های جستجوی تصادفی و شبکه ای برای تنظیم بهینه هایپرپارامترهای الگوریتم به کار گرفته شده است. در نهایت، داده های حاصل در یک مدل بهینه سازی پرتفوی ادغام شده و استراتژی سرمایه گذاری پیشنهادی تدوین شده است. یافته ها : نتایج تجربی بر روی داده های بورس اوراق بهادار تهران نشان داد که مدل پیشنهادی قادر به بهبود عملکرد استراتژی های سرمایه گذاری در مقایسه با روش های سنتی است. نسبت های شارپ و سورتینو نشان دهنده برتری مدل پیشنهادی نسبت به استراتژی حداقل واریانس سراسری بوده اند. همچنین مشخص شد که استفاده از یک استراتژی سرمایه گذاری کم تنوع می تواند کارایی بیشتری نسبت به استراتژی های کاملا متنوع ارایه دهد. اصالت/ارزش افزوده علمی: این پژوهش با ارایه یک مدل ترکیبی از تحلیل پوششی داده و یادگیری ماشین، رویکردی نوین برای انتخاب سهام و بهینه سازی پرتفوی پیشنهاد می دهد. استفاده از داده های چندمنبعی و روش های پیشرفته یادگیری ماشین، دقت پیش بینی و تصمیم گیری سرمایه گذاران را بهبود بخشیده و زمینه را برای تحقیقات آینده در حوزه هایی مانند استفاده از مدل های فازی، الگوریتم های فرا ابتکاری و تحلیل روابط بین شاخص های مالی فراهم می کند.Portfolio optimization using data envelopment analysis integration with multiple data sources with a machine learning approach in Tehran Stock Exchange
Purpose: This study aims to optimize investment portfolios by combining Data Envelopment Analysis (DEA) and machine learning, using multi-source data from the Tehran Stock Exchange. The main goal is to provide an advanced model for stock selection and portfolio optimization so that investors can adopt strategies that are more efficient than the traditional methods. Methodology: First, the DEA model was used to evaluate stock efficiency in terms of historical returns and asset correlation. Then, using a Support Vector Machine (SVM) and combining multi-source data, the stock price movement trend is predicted. To improve the accuracy of the model, random search and network methods were used to adjust the algorithm hyperparameters optimally. Finally, the resulting data are integrated into a portfolio optimization model and a proposed investment strategy is formulated. Findings: Experimental results on the Tehran Stock Exchange data showed that the proposed model can improve the performance of investment strategies compared to traditional methods. Sharpe and Sortino ratios indicate the superiority of the proposed model over the minimum global variance strategy. It was also found that using a low-diversity investment strategy can provide greater efficiency than using fully diversified strategies. Originality/Value: This study proposes a new approach to stock selection and portfolio optimization by presenting a combined model of DEA and machine learning. The use of multi-source data and advanced machine learning methods improves the accuracy of investor forecasting and decision-making, paving the way for future research in areas such as the use of fuzzy models, meta-heuristic algorithms, and the analysis of relationships between financial indicators.
تبلیغات
