توسعه یک رویکرد جدید یادگیری جمعی برای انتخاب پورتفوی سهام با استفاده از ماشین بردار پشتیبان چند کلاسه و الگوریتم ژنتیک

مهندسی مالی و مدیریت اوراق بهادار

دوره 13، شماره 50، فروردین 1401، صفحه 282-305   

نوع مقاله: مقاله پژوهشی

نویسندگان

نسرین باقری مزرعه¹؛ امیر دانشور^{* 2}؛ مهدی معدنچی زاج³

¹دانشجوی دکتری گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران، ایران.

²استادیار گروه مدیریت فناوری اطلاعات، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

³استادیار گروه مدیریت مالی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شده‌است. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی مناسب، استفاده از مدل‌های پیچیده فراابتکاری استفاده می‌شود. در این تحقیق تلاش می-شـود تا با توسعه روش جدید انتخاب و بهینه‌سازی پرتفوی سهام مبتنی بر الگوریتم یادگیری جمعی و ژنتیک به منظور انتخاب بهترین استراتژی معاملاتی برای کسب بازدهی بیشتر و ریسک کمتر استفاده کرد. برای پیش بینی بازده و دریافت سیگنال خرید از ترکیب الگوریتم ماشین بردار پشتیبان شش کلاسه(SVM) و برای بهینه‌سازی قواعد معاملاتی از الگوریتم پویای ژنتیک استفاده شد‌ه‌است. برای بهبود دقت طبقه‌بندی بازده در این تحقیق از روش‌های یادگیری جمعی شامل Bagging، یکی از الگوریتم‌های مبتنی بر Ensemble Learning استفاده شده است .داده‌های مربوط به هر سهم و متغیرهای بنیادی، در یک بازه زمانی روزانه بین سالهای 1390 تا 1399 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. نتایج بدست آمده درمقایسه با روش‌های سنتی نتایج امیدوارکننده‌ای داشته‌است.

کلیدواژه‌ها

الگوریتم ژنتیک؛ یادگیری ماشین؛ یادگیری جمعی؛ بهینه سازی پرتفوی

مراجع