به کارگیری مدلهای یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آنها
محورهای موضوعی : مهندسی مالی
محمد سرچمی
1
(گروه حسابداری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران)
احمد خدامی پور
2
(گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر، کرمان، ایران)
مجید محمدی
3
(گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان، ایران)
حدیث زینلی
4
(گروه حسابداری، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران)
کلید واژه: بازده, یادگیری عمیق, یادگیری ماشین, پرتفوی سهام,
چکیده مقاله :
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.
Although econometric models are appropriate for describing and evaluating the relationships between variables and statistical inference, but they have some limitations for financial analysis. Many efforts have been made to model nonlinear relationships in financial data using machine learning technologies. The purpose of this study is to apply machine learning models to form optimal stock portfolios and compare their performance. The statistical sample of the present study consists of 156 companies listed in Tehran Stock Exchange during the period 2009-2018. After data collection, the intended deep learning models in Anaconda software and Python programming language were tested, and then the ability of each model was determined by return evaluation, composite return, trenors and jensens criteria to form an optimal stock portfolio. According to the free-risk and market return rate, forming portfolio by investor to more profit than these two rates and portfolio valuation results of trenors and jensens indexes, it was concluded that the deep Convolutional Neural Network is able to for optimal portfolio. According to this reasoning, the long short-term memory model is not capable of optimal portfolio formation.
_||_