امیررضا دودانگه

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.