استفاده از الگوریتم های ماشین بردار پشتیبان و بیز ساده و ترکیب آن با سنجه ریسک و نظریه فازی در انتخاب سبد سهام

هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.

روش شناسی پژوهش: 

در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیش بینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینه کردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنج ساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.

در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج به دست آمده سنجه ریسک CVAR قابلیت و نتیجه بهتری را نسبت به سنجه ریسک VAR داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.

اصالت / ارزش افزوده علمی: 

این پژوهش با یکپارچه سازی روش های یادگیری ماشین و سنجه های ریسک، به شکل یک نمونه سرمایه بهینه می شود. اضافه کردن سنجه های ریسک VaR و CVaR فرآیند تصمیم گیری در خصوص کاهش ریسک را تقویت می کند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشم انداز نوآورانه در تشکیل پرتفوی می بخشد. یافته ها، به سرمایه گذاران و پژوهشگران در جستجوی استراتژی های سرمایه گذاری بهتر، یافته های ارزشمندی ارایه می دهد.