دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

مدل‌های یادگیری ماشین برای پیش‌بینی میان‌مدت مبتنی‌بر داده‌های شاخص بورس برای مدیریت سبد سرمایه‌گذاری

نوع مقاله : مقاله پژوهشی

نویسندگان
بهناز بدائی 1
حسین بدیعی 1
محسن حمیدیان 2
علی امیری 3
1 گروه حسابداری، دانشکده اقتصاد و حسابداری دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران
2 گروه حسابداری، دانشکده اقتصاد و حسابداری دانشگاه آزاد واحد تهران جنوب، تهران، ایران
3 گروه حسابداری، دانشگاه آزاد اسلامی واحد بندرعباس، بندرعباس، ایران
10.22034/jik.2025.78167.4654
چکیده
این پژوهش به بررسی پیش‌بینی رفتارهای مالی با استفاده از مدل‌های پیشرفته یادگیری ماشین می‌پردازد. هدف اصلی این تحقیق، ارائه الگوی پرتفوی مبتنی بر مدل‌های پیشرفته یادگیری ماشین، از جمله NARX، RF و SVR و بهینه‌سازی چندهدفه است. با توجه به اهمیت پیش‌بینی دقیق رفتارهای مالی در تصمیم‌گیری‌های سرمایه‌گذاری و مدیریت ریسک، این پژوهش سعی دارد به روشن شدن نقاط قوت و ضعف هر یک از مدل‌های یادگیری ماشین مورد بررسی و ارائه الگوی بهینه‌سازی پورتفولیو بر این اساس کمک کند.در این پژوهش، از داده‌های تاریخی بازار سهام تهران (از سال 1390 تا 1402)، شامل اطلاعات مربوط به قیمت و متغیرهای کلان اقتصادی استفاده شده است. داده‌ها از منابع معتبر و قابل اعتماد گردآوری شده و به‌منظور تحلیل بهتر، پردازش و آماده‌سازی شدند. همچنین، برای ارزیابی دقیق عملکرد مدل‌ها، از روش‌های یادگیری ماشین استفاده شده و پارامترهای مدل‌ها تنظیم گردیدند. نتایج این تحقیق نشان می‌دهد که مدل‌های NARX، RF و SVR دارای قابلیت‌های متفاوتی در پیش‌بینی قیمت‌ها هستند و عملکرد آن‌ها تحت تأثیر ویژگی‌های داده‌ها قرار دارد. به‌ویژه، مدل NARX، عملکرد باثبات‌تری از خود نشان می‌دهد. به علاوه، پورتفولیو‌های مبتنی بر الگوریتم‌های یادگیری ماشین، در همه حالات توانسته‌اند بهتر از پورتفولیو با اوزان برابر عمل کنند. همچنین، این مطالعه به شناسایی چالش‌های مربوط به تنظیم پارامترها و پیچیدگی‌های محاسباتی پرداخته و به اهمیت به‌روزرسانی مدل‌ها با توجه به تغییرات بازار تأکید می‌کند. در نهایت، پیشنهاداتی برای بهبود مدل‌ها و راهکارهایی برای پژوهش‌های آتی ارائه می‌شود تا دقت پیش‌بینی‌ها افزایش یابد و نتایج بهتری در تحلیل رفتارهای مالی به دست آید.
کلیدواژه‌ها
مدل NARX، بهینه‌سازی پورتفولیو، یادگیری ماشین

عنوان مقاله English

Multi-objective optimization of the stock portfolio based on machine learning models and comparison with the stock market index

نویسندگان English

Behnaz Badaei 1
Hossein Badiei 1
Mohsen Hamidian 2
Ali Amiri 3
1 Accounting and economy faculty. South Tehran branch of Islamic Azad University. Tehran. Iran
2 Accounting and economy faculty. South Tehran branch of Islamic Azad university .Tehran. Iran
3 Accounting department, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran
چکیده English

This thesis examines the prediction of financial behaviors using advanced machine learning models, including NARX, RF and SVR. The main goal of this research is to present a portfolio model based on this machine learning models and multi-objective optimization. Considering the importance of accurately predicting financial behaviors in investment decisions and risk management, this research tries to help clarify the strengths and weaknesses of each of the examined models and provide a portfolio optimization model based on it.
In this research, the historical data of Tehran stock market (from 2011 to 2023), including price information and macroeconomic variables, has been used. Data were collected from reliable and reliable sources and processed and prepared for better analysis. Also, to accurately evaluate the performance of the models, machine learning methods were used and the parameters of the models were fine-tuned.
The results of this research show that NARX, RF and SVR models have different capabilities in price prediction and their performance is affected by data characteristics. In particular, the NARX model shows a more stable performance. In addition, portfolios based on machine learning algorithms have been able to perform better than portfolios with equal weights in all cases. Also, this study identifies challenges related to setting parameters and computational complexity and emphasizes the importance of updating models according to market changes. Finally, suggestions for improving the models and solutions for future research are provided to increase the accuracy of predictions and obtain better results in the analysis of financial behaviors.

·         اقتصاد, امیرعلی؛ محمدی,عمران. (1402). بهینه سازی سبد سرمایه گذاری به کمک پیش بینی بازده مورد انتظار با استفاده از روش های شبکه عصبی LSTM، جنگل تصادفی و ARIMA. چشم انداز مدیریت مالی.‎
·         تهرانی رضا،؛ محمد هندیجانی زاده، و عیسی نوروزیان لکوان ،. (1394). ارائه رویکردی جدید برای مدیریت فعال پرتفوی وانجام معاملات هوشمند سهام با تاکید بر نگرش انتخاب ویژگی. دانش سرمایه‌گذاری، 4(13): 107126.
·         رستمی, ژیلا, فتاحی, سهیلی. (1402). مدل‌سازی و تخمین بازده بورس اوراق بهادار تهران با استفاده از مدل‌های پویا. اقتصاد مالی, 17(62), 185216.‎
·         شبان مهدی ؛ اله نخعی حبیب؛ الله طالب نیاقدرت و نازنین بشیری منش. (1399). طراحی الگوی غیرخطی سرایت‌پذیری شاخص کل بورس اوراق بهادار تهران از بازار دارایی‌های فیزیکی (کاربردی از مدل شبکه عصبی مصنوعی NARX). مهندسی مالی و مدیریت اوراق بهادار، 12(46): 476494.
·         علیزاده, حسین؛ کیانفر, کامران. (1402). توسعۀ مدل مارکوویتز در بهینه‌سازی سبد سهام با در نظر گرفتن محدودیت‌های واقع‌گرایانه. مدیریت دارایی و تامین مالی, 11(4), 6592.‎
·         کرامتی, اسفندیار؛ غلامی جمکرانی, و کاشفی نیشابوری. (1401). بهینه‌سازی پرتفوی سهام در بورس اوراق بهادار تهران (کاربرد رهیافت یادگیری تقویتی). مدلسازی اقتصادی, 16(58), 5166.‎
·         میرعلوی سید حسن؛ زهرا پورزمانی و آزیتا جهانشاد. (1398). ارائه مدلی مبتنی بر رفتار مالی سرمایه گذاران جهت پیش بینی قیمت سهام با استفاده از روش های فرا ابتکاری شبکه های عصبی. فصلنامه بورس اوراق بهادار، 47(12): 109176.
مراجع خارجی
 
·         Atiya, A. F., El-Shoura, S. M., Shaheen, S. I., & El-Sherif, M. S. (1999). A comparison between neural-network forecasting techniques - case study: river flow forecasting. IEEE Transactions on neural networks, 10(2), 402-409.
·         Awad, M., Khanna, R., Awad, M., & Khanna, R. (2015). Support vector regression. Efficient learning machines: Theories, concepts, and applications for engineers and system designers, 67-80.
·         Ban, G. Y., El Karoui, N., & Lim, A. E. (2018). Machine learning and portfolio optimization. Management Science, 64(3), 1136-1154.
·         Behera, J., Pasayat, A. K., Behera, H., & Kumar, P. (2023). Prediction based mean-value-at-risk portfolio optimization using machine learning regression algorithms for multi-national stock markets. Engineering Applications of Artificial Intelligence, 120, 105843.
·         Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE transactions on neural networks, 5(2), 157-166.
·         Box, G. E., Jenkins, G. M., & Reinsel, G. C. (1994). Time series analysis: Forecasting and control. 3rd Prentice Hall. Englewood Cliffs NJ, 614.
·         Chen, W., Zhang, H., Mehlawat, M. K., & Jia, L. (2021). Mean–variance portfolio optimization using machine learning-based stock price prediction. Applied Soft Computing, 100, 106943.
·         Cheng, Q., Yang, L., Zheng, J., Tian, M., & Xin, D. (2024). Optimizing Portfolio Management and Risk Assessment in Digital Assets Using Deep Learning for Predictive Analysis. arXiv preprint arXiv:2402.15994.
·         Coyle, D., Prasad, G., & McGinnity, T. M. (2005). A time-series prediction approach for feature extraction in a brain-computer interface. IEEE transactions on neural systems and rehabilitation engineering, 13(4), 461-467.
·         Dablemont, S., Simon, G., Lendasse, A., Ruttiens, A., Blayo, F., & Verleysen, M. (2003). Time series forecasting with SOM and local non-linear models-Application to the DAX30 index prediction. In WSOM 2003, Workshop on Self-Organizing Maps.
·         Gandhmal Dattatray P و Kumar K. (2021). Wrapper-Enabled Feature Selection and CPLM-Based NARX Model for Stock Market Prediction. The Computer Journal، 64(2): 169-184.
·         García-Gonzalo, E., García-Nieto, P. J., Fidalgo Valverde, G., Riesgo Fernández, P., Sánchez Lasheras, F., & Suárez Gómez, S. L. (2024). Hybrid DE-Optimized GPR and NARX/SVR Models for Forecasting Gold Spot Prices: A Case Study of the Global Commodities Market. Mathematics, 12(7), 1039.
·         Grigoryan Hakob. (2015). Stock market prediction using artificial neural networks. Case Study of TAL1T, Nasdaq OMX Baltic Stock. Database Systems Journal، 6(2): 14-23.
·         Guarino, A., Santoro, D., Grilli, L., Zaccagnino, R., & Balbi, M. (2024). EvoFolio: a portfolio optimization method based on multi-objective evolutionary algorithms. Neural Computing and Applications, 36(13), 7221-7243.
·         Habbab, F. Z., & Kampouridis, M. (2024). An in-depth investigation of five machine learning algorithms for optimizing mixed-asset portfolios including REITs. Expert Systems with Applications, 235, 121102.
·         Jia Lu؛ Shazemeen Noor Muhammad و Martinkute-Kauliene Raimonda. (2020). Portfolio Decision Using Time Series Prediction and Multi-objective Optimization. Romanian Journal of Economic Forecasting، 23(4): 118.
·         Kantz, H., & Schreiber, T. (2003). Nonlinear time series analysis. Cambridge university press.
·         Labde Saurabh؛ Patel Stuti و Shukla Megh. (2017). Time series regression model for prediction of closing values of the stock using an adaptive narx neural network. International Journal of Computer Applications، 158(10): 0975-8887.
·         Lin, T., Horne, B. G., & Giles, C. L. (1998). How embedded memory in recurrent neural network architectures helps learning long-term temporal dependencies. Neural Networks, 11(5), 861-868.
·         Lwin, K. T., Qu, R., & MacCarthy, B. L. (2017). Mean-VaR portfolio optimization: A nonparametric approach. European Journal of Operational Research, 260(2), 751-766.
·         Ma, Y., Han, R., & Wang, W. (2021). Portfolio optimization with return prediction using deep learning and machine learning. Expert Systems with Applications, 165, 113973.
·         Malandreniotis, D. (2024). Probabilistic Forecasting Models for Multidimensional Financial Time-series With Applications to Systematic Portfolio Management (Doctoral dissertation, UCL (University College London)).
·         Montenegro Carlos و Molina Marco. (2019). Using Deep Neural Networks for Stock Market Data Forecasting: An Effectiveness Comparative Study. the The International Conference on Advances in Emerging Trends and Technologies.
·         Odeyemi, O., Mhlongo, N. Z., Nwankwo, E. E., Scholatica, U. C., & Okoye, C. C. (2024). Big data applications in portfolio management: A review of techniques and strategies. International Journal of Science and Research Archive, 11(1), 1984-1999.
·         Pearlmutter, B. A. (1995). Gradient calculations for dynamic recurrent neural networks: A survey. IEEE Transactions on Neural networks, 6(5), 1212-1228.
·         Sadorsky, P. (2021). A random forests approach to predicting clean energy stock prices. Journal of Risk and Financial Management, 14(2), 48.
·         Sen, J., & Dutta, A. (2023). Portfolio optimization for the Indian stock market. In Encyclopedia of Data Science and Machine Learning (pp. 1904-1951). IGI Global.
·         Wu, L., Ahmad, M., Qureshi, S. A., Raza, K., & Khan, Y. A. (2022). An analysis of machine learning risk factors and risk parity portfolio optimization. Plos one, 17(9), e0272521.
·         Xiu Yan و Chen Xinye. (2017). Study on prediction of the shanghai composite index based on EMD and NARX neural network Information Technology and Intelligent Transportation Systems (pp. 590-596): IOS Press.