شبکه عصبی NARX

با توجه به محبوبیت جهانی حوزه رمزارزها به ویژه بیت کوین، انتظار می رود دیر یا زود دولت ها، بانک ها و سایر صنایع به استفاده از رمزارزها در معاملات روزمره خود روی آورند. بنابراین همانند هر حوزه مالی دیگر، نیاز به شناسایی چالش های موجود در این حوزه جهت ایجاد فضای سرمایه گذاری امن احساس می شود. از طرفی با گسترش شبکه های اجتماعی، داده های ساختارنیافته در حال افزایش هستند که می توان از این پدیده جهت ایجاد ارزش افزوده در حوزه های گوناگون همچون تحلیل احساسات بهره مند شد. از این رو پژوهش حاضر با هدف بررسی تأثیر ریسک درک شده توسط کاربران شبکه های اجتماعی بر روی قیمت بیت کوین انجام گردید. براساس یافته های پژوهش، ریسک های شناسایی شده در حوزه بیت کوین، شامل ریسک اجتماعی، اقتصادی، امنیتی، فناوری و حقوقی می باشند. برای استخراج ریسک های بیت کوین، از گفتگوهای سایت بیت کوین تاک استفاده گردید. پس از جمع آوری داده ها توسط خزشگر وب، به کمک الگوریتم تخصیص پنهان، گفتگوها در خوشه های موضوعی خوشه بندی شدند. تحلیل احساسات کاربران نیز با روش مبتنی بر واژگان و بکارگیری واژه نامه AFINN انجام گردید. برای سنجش اثرگذاری احساسات کاربران بر قیمت بیت کوین نیز از مدل شبکه عصبی غیرخطی با داده های برون زا بهره گرفته شد. نتایج به دست آمده نشان از وجود 0.99 همبستگی و میانگین مربعات خطا 0.001 دارد که به معنای وجود همبستگی میان قیمت واقعی و قیمت پیش بینی شده بیت کوین می باشد. یافته های این پژوهش می تواند توجه فعالان در حوزه بیت کوین را جلب نماید تا برنامه ریزی مناسبی جهت سرمایه گذاری و کاهش ریسک سرمایه گذاری داشته باشند.

هدف از مطالعه حاضر پیاده سازی بهینه یابی پرتفوی مبتنی بر پیش بینی در بورس اوراق بهادار تهران با استفاده از شبکه عصبی خودبازگشتی غیرخطی با متغیرهای برون زا (NARX) به عنوان رویکرد اصلی و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به عنوان رویکرد رقیب و نیز مقایسه عملکرد آن با روش بهینه یابی پرتفوی میانگین-واریانس مارکوویتز است. بدین منظور ابتدا رتبه بندی و تشخیص سهام شرکت هایی که سرمایه گذاری روی آن ها به صرفه است با بهره گیری از مدل تک عامله شارپ صورت گرفته، سپس در راستای برآورد شاخص بازده مورد انتظار و ریسک پرتفوی از پیش بینی بازدهی سهام شرکت ها و واریانس خطاهای پیش بینی بر پایه رویکردهای مذکور استفاده شده و پس از آن بهینه یابی پرتفوی بر اساس روش کلی میانگین-واریانس مارکوویتز انجام شده است. شرکت های موجود در شاخص 50 شرکت فعال تر بورسی مربوط به پایان سال 1400 به عنوان یک نمونه از جامعه آماری در نظر گرفته شدند و برآوردها با استفاده از داده های روزانه مربوط به دوره زمانی 1/2/1399 تا 29/12/1400 انجام شد. نتایج نشان می دهد رویکرد شبکه عصبی NARX نسبت به رویکرد شبکه عصبی LSTM دقت بالاتری در پیش بینی بازدهی سهام شرکت ها دارد و در مرحله بهینه یابی نیز آن را مغلوب می کند. بهینه یابی پرتفوی مبتنی بر پیش بینی با استفاده از شبکه های عصبی NARX و LSTM در مقایسه با بهینه یابی پرتفوی میانگین-واریانس مارکوویتز ریسک کمتر و حداکثر نرخ شارپ بالاتری را برای سرمایه گذاران فراهم می آورد.