میلاد رحمانی

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.