بهینه یابی پرتفوی

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.