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

هرچند مدل های اقتصاد سنجی برای توصیف و ارزیابی روابط بین متغیرها با استنتاج آماری مناسب هستند، اما محدودیت هایی برای تحلیل های مالی دارند. تلاش های زیادی برای مدل سازی روابط غیرخطی در داده های مالی با استفاده از فناوری های یادگیری ماشین انجام شده است. هدف از انجام این پژوهش به کارگیری مدل های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن ها است. نمونه آماری پژوهش حاضر، شامل 156 شرکت پذیرفته شده در بورس اوراق بهادار تهران برای بازه زمانی 1387 تا 1396 است. پس از گردآوری داده ها، مدل های یادگیری عمیق موردنظر در نرم افزار آناکوندا و زبان برنامه نویسی پای تون، مورد آزمون قرار گرفت و سپس توانایی هر یک از مدل ها 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 سرمایه گذاران با تشکیل پرتفوی به دنبال سودآوری بیشتر از این دو نرخ بازده هستند و هم چنین 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 کوتاه مدت توانایی تشکیل پرتفوی بهینه سهام را ندارد.