ارزیابی عملکرد صندوق های سرمایه گذاری مبتنی بر تحلیل شبکه های عصبی و داده های بازار سرمایه
آرشیو
چکیده
در سال های اخیر، توسعه بازارهای مالی و افزایش پیچیدگی رفتار سرمایه گذاران، ضرورت بهره گیری از روش های نوین تحلیلی برای ارزیابی عملکرد ابزارهای مالی را دوچندان کرده است. در این میان، صندوق های سرمایه گذاری به عنوان یکی از مهم ترین نهادهای مالی غیرمستقیم، نقش اساسی در تجهیز و تخصیص بهینه منابع مالی در بازار سرمایه ایفا می کنند. با توجه به نوسانات بالای بازار سرمایه و محدودیت روش های سنتی در تحلیل غیرخطی و پویا، استفاده از رویکردهای مبتنی بر یادگیری ماشین و به ویژه شبکه های عصبی مصنوعی به عنوان یک ابزار قدرتمند در پیش بینی و ارزیابی عملکرد صندوق ها مورد توجه قرار گرفته است. هدف این پژوهش، ارائه یک مدل ترکیبی مبتنی بر شبکه های عصبی عمیق (Deep Neural Networks) و داده های سری زمانی بازار سرمایه جهت ارزیابی عملکرد صندوق های سرمایه گذاری و پیش بینی بازدهی آن ها است. در این راستا، داده های مربوط به بازدهی واحدهای سرمایه گذاری، شاخص کل بورس، نرخ ارز، نرخ سود بدون ریسک و متغیرهای کلان اقتصادی به عنوان ورودی های مدل مورد استفاده قرار گرفته اند. روش تحقیق از نوع توصیفی کاربردی بوده و با استفاده از داده های واقعی بازار سرمایه ایران در یک بازه زمانی چندساله، مدل پیشنهادی آموزش و آزمون شده است. نتایج حاصل از مدل سازی نشان می دهد که شبکه های عصبی در مقایسه با روش های سنتی مانند رگرسیون خطی و مدل های کلاسیک ارزیابی عملکرد (مانند شارپ و ترینر)، توانایی بالاتری در شناسایی الگوهای غیرخطی و پیش بینی رفتار صندوق های سرمایه گذاری دارند. همچنین نتایج بیانگر آن است که ترکیب متغیرهای کلان اقتصادی با داده های معاملاتی، دقت پیش بینی مدل را به طور معناداری افزایش می دهد. در نهایت، یافته های پژوهش نشان می دهد که بهره گیری از مدل های یادگیری عمیق می تواند به سرمایه گذاران و مدیران صندوق ها در تصمیم گیری های بهینه و مدیریت ریسک کمک شایانی نماید.Performance Evaluation of Investment Funds Based on Neural Network Analysis and Capital Market Data
In recent years, the development of financial markets and the increasing complexity of investor behavior have intensified the need for advanced analytical methods to evaluate the performance of financial instruments. Among these instruments, investment funds play a crucial role in the efficient allocation and mobilization of financial resources within capital markets. Given the high volatility of capital markets and the limitations of traditional methods in capturing nonlinear and dynamic relationships, machine learning approaches—particularly artificial neural networks have gained significant attention for forecasting and performance evaluation purposes. The objective of this study is to develop a hybrid model based on deep neural networks (DNNs) and capital market time-series data to evaluate the performance of investment funds and predict their returns. In this regard, fund unit returns, the overall stock market index, exchange rates, risk-free interest rates, and macroeconomic variables are used as input features. The research adopts a descriptive–applied methodology, and the proposed model is trained and tested using real data from the Iranian capital market over a multi-year period. The empirical results indicate that neural network models outperform traditional approaches such as linear regression and classical performance evaluation measures (e.g., Sharpe and Treynor ratios) in identifying nonlinear patterns and predicting fund behavior. Furthermore, the findings suggest that incorporating macroeconomic variables alongside market data significantly improves the predictive accuracy of the model.Overall, the results demonstrate that deep learning-based models can substantially assist investors and fund managers in making more informed decisions and improving risk management efficiency.
تبلیغات
