به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها

مهندسی مالی و مدیریت اوراق بهادار

مقاله 7، دوره 11، شماره 45، دی 1399، صفحه 147-176   

نوع مقاله: مقاله پژوهشی

نویسندگان

محمد سرچمی¹؛ احمد خدامی پور^{* 2}؛ مجید محمدی³؛ حدیث زینلی¹

¹گروه حسابداری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران

²گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر، کرمان، ایران

³گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان، ایران

چکیده

هرچند مدل‌های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت‌هایی برای تحلیل‌های مالی دارند. تلاش‌های زیادی برای مدل‌سازی روابط غیرخطی در داده‌های مالی با استفاده از فناوری‌های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به‌‌کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده‌ها، مدل‌های یادگیری عمیق موردنظر در نرم‌افزار آناکوندا و زبان برنامه‌نویسی پای‌تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل‌ها در تشکیل پرتفوی بهینه سهام توسط معیارهای ارزیابی بازده، بازده مرکب، ترینر و جنسن تعیین شد. با توجه به نرخ بازده بدون ریسک و نرخ بازده بازار و اینکه سرمایه‌گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم‌چنین نتایج ارزیابی پرتفوی دو شاخص ترینر و جنسن، این نتیجه حاصل گردید که مدل شبکه عصبی کانولوشن یادگیری عمیق توانایی تشکیل پرتفوی بهینه سهام را دارد و بر طبق همین استدلال، مدل شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد.

کلیدواژه‌ها

پرتفوی سهام؛ بازده؛ یادگیری ماشین؛ یادگیری عمیق

مراجع

1. اعلامی یان هرندی فریناز و ولی درهمی. (1396). استخراج ویژگی از داده‌های عمیق با استفاده از روش یادگیری عمیق برای کنترل با ناظر ربات چرخ‌دار. مجله کنترل دانشگاه خواجه‌نصیرالدین طوسی. 11(4): 13-24.
2. بیات علی و لیدا اسدی. (1396). بهینه‌سازی پرتفوی سهام: سودمندی الگوریتم پرندگان و مدل مارکوئیتز. مجله مهندسی مالی و مدیریت اوراق بهادار. ص 85-63.
3. پارسائیان علی. (1393). تئوری حسابداری. انتشارات ترمه. جلد اول. چاپ سوم. ص 353-352.
4. پارسائیان علی و بهروز خدا رحمی. (1394). تئوری‌های نوین سرمایه‌گذاری. انتشارات ترمه. چاپ سوم. ص 6.
5. توتونچیان علی. (1397). یادگیری عمیق با مطلب، همراه با یادگیری ماشین و شبکه‌های عصبی. مؤلف فیل کیم. انتشارات دانشگاهی کیان. ص 13-12.
6. تهرانی رضا و عسکر نوربخش. (1394). مدیریت سرمایه‌گذاری. انتشارات نگاه دانش. چاپ سیزدهم. ص 175.
7. رهنمای رود پشتی فریدون، کاظم چاووشی و ابراهیم صابر. (1393). بهینه‌سازی پرتفوی متشکل از سهام صندوق‌های سرمایه‌گذاری مشترک بورس اوراق بهادار تهران با رویکرد الگوریتم ژنتیک. فصلنامه علمی و پژوهشی دانش سرمایه‌گذاری. 3(12): 217-231.
8. کوهبنانی نژاد فرناز، داریوش فرید  و حجت الله صادقی. (1397). انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی. مطالعات مدیریت صنعتی. 16(48): 151-131.
9. عبادی دولت‌آبادی میر کریم. (1387). روش‌های تحلیل گری قیمت سهام در بورس اوراق بهادار. روزنامه همشهری، ص 18.
10. علیایی طرقبه محمد حسن، علی علیایی طرقبه و امیرحسین صدقی. (1396). ارائه جدید از DeepO Band: سنتور نوازی توسط هوش مصنوعی با استفاده از مدل‌سازی زبان و یادگیری عمیق. فصلنامه علمی تخصصی ایده‌های نو در علوم، مهندسی و فناوری. 1(3): 37-46.
11. فلاح‌پور سعید، حسین صفری و نادر عمرانی. (1393). انتخاب پرتفوی با استفاده از ترکیب روش برنامه‌ریزی ترجیحات فازی لگاریتمی و پرومتر. مجله علوم اجتماعی و اقتصادی. 2(5): 103-120.
12. لطف الهی محمد، رامین شیرالی حسین زاده، مهدی جعفری سیاوشانی و محمد صادق صابریان. (1395). کاربرد یادگیری عمیق در تشخیص ترافیک شبکه‌های کامپیوتری. بیست و دومین کنفرانس ملی انجمن کامپیوتر ایران.
13. محققی، سعید. (1397). آموزش جامع یادگیری عمیق. انتشارات فرادرس. ص 10.
14. میرزایی حمیدرضا،احمد خدامی پور و امید پور حیدری. (1395). بررسی کاربرد الگوریتم ژنتیک چند هدفه در بهینه‌سازی سهام با استفاده از شاخص‌های تکنیکال. مجله مهندسی مالی و مدیریت اوراق بهادار. 29: 84-64.
15. مروتی شریف‌آبادی علی، شیرین عزیزی و نسترن احمدی. (1394). به‌کارگیری الگوریتم رقابت استعماری (ICA) در بهینه‌سازی و تشکیل پرتفولیو. فصلنامه علمی و پژوهشی دانش سرمایه‌گذاری. 4(13): 41-19.
16. میزبان هدیه سادات، زهرا افچنگی، مهدی احراری، فرشاد آروین، علی سوری. (1391). بهینه‌سازی سبد سهام با استفاده از الگوریتم ازدحام ذرات در تعاریف مختلف اندازه‌گیری ریسک. فصلنامه علوم اقتصادی. 6(19): 227-205.
17. نظری رضا. (1387). حسابداری سرمایه‌گذاری در سهام و سایر اوراق بهادار. مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی، چاپ یازدهم، 4-3.

 

18. Aouni, B. (2009). Multi-attribute portfolio selection: new prespectives. INFOR. 47(1): 1-4.
19. Arel, I. Rose, D.C. Karnowski, T.p. (2010). Deep Machine Learning - A New Frontier in Artificial Intelligence Research [Research Frontier]. IEEE Computational Intelligence Magazine. 5: 13-18.
20. Beak, Y. Kim, H.Y. (2018). ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module. Expert Systems with Applications. P 1-50
21. Courville, I. (2016). Deep learning. MIT press.
22. Deep Learning Tutorial. (2015). LISA lab, University of Montreal.
23. Essid, H. Ganouati, J. Vigeant, S. (2018). A mean-maverick game cross-efficiency approach to portfolio selection: an application to Paris stock exchange. Expert system with applications.1-45.
24. Jones, C. P. (2002). Investment Management and Analysis. (8th ed.). NewYork. John Wiley & Sons.
25. Hochreiter, S. Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735-1780.
26. Hutton, A.P., Marcus, A.J., Tehranian, H., (2009). Opaque Financial Reports, R2, and Crash Risk. Journal of Financial Economics, 94, 67-86.
27. Markowitz, H. (1952). Portfolio selection. J. Finance. 7 (1) 77–91.
28. Markowitz, H. (1959). Portfolio Selection: Efficient Diversification of Investments. John Wiley & Sons
29. . Olah, C. (2015). Understanding lstm networks. GITHUB blog. P 27.
30. Patari, E. Karell, V. Luukka. P. Yeomans, J. (2018). Comparison of the multicriteria decision-making methods for equity portfolio selection: The U.S. evidence. European Journal of Operational Research. P 1-38.
31. Patari, E. J. Leivo, T. H. Samuli Honkapuro, J. V. (2010). Enhancement of value portfolio performance using data envelopment Studies in Economics and Finance. 27(3): 223-246.
32. Thakur, G. Bhattacharyya, R. Sarkar, S. (2017). Stock portfolio selection using dempster-shafer evidence theory. Journal of king Saud university computer and information science.1-13.
33. Tom M. Mitchell. (1997). Publisher McGraw-Hill Science. Based on 16 reviews.
34. Yunusoglu, G. selim, H. (2013). A fuzzy rule based expert system for stock evaluation and potfolio construction: an application to Istanbul stock exchange. Expert system with application. (40): 908-920
35. Wilmott, P. (2007). Paul Wilmott introduces quantitative finance. John Wiley & Sons.
36. Zhou, X. Wang, J. Yang, X. Lev, V. Tu, Y. Wang, SH. (2018). Portfolio selection under different attitudes in fuzzy environment. Information Sciences. 462: 278-289.