ارایه‌ روشی جدید برای بهره‌‌گیری از یادگیری ماشین در فرآیند بهینه‌سازی سبد سهام

هراتی زاده, سامان; رضایی, فاطمه

doi:10.22105/dmor.2022.307005.1488

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم تصمیم و دانش، دانشکده‌ علوم و فنون نوین، دانشگاه تهران، تهران، ایران.

https://doi.org/10.22105/dmor.2022.307005.1488

چکیده

هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه میان سهام سبد کم‌تر موردتوجه قرار گرفته است و معمولا وزن یکسان به سهام سبد تخصیص داده می‌شود یا از روش‌های سنتی ارزیابی ریسک برای تقسیم سرمایه میان سهام سبد استفاده می‌شود. نقطه‌ضعف مشترک این روش‌ها این است که در همه آن‌ها از مکانیزم‌های ساده و انعطاف‌ناپذیر برای تخمین کارایی یک سبد سهام استفاده می‌شود. در این مقاله ما برای نخستین‌بار نشان می‌دهیم که با استفاده از یادگیری ماشین می‌توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر‌به تخصیص پربازده‌تر سرمایه به سهام سبد می‌شود.
روش‌شناسی پژوهش: چارچوب پیشنهادی ما موسوم به Per-Learner از دو مدل پیش‌بینی مبتنی بر یادگیری ماشین استفاده می‌کند. در گام 1 با استفاده از اطلاعات تاریخی سهام در یک مدل پیش‌بینی بازده سهم، سهام مناسب سبد انتخاب می‌شود و در گام 2 به کمک یک مدل پیش‌بینی مجزا سعی می‌شود با در‌نظر گرفتن هم‌زمان سود پیش‌بینی‌شده در مدل اول و ریسک مورد انتظار هر یک از سهم‌های سبد، بازده سبد در آینده پیش‌بینی شده و بر این ‌اساس ترکیب وزن مناسب برای سهام سبد انتخاب و پیشنهاد گردد.
یافته‌ها: مقایسه بازده تجمعی سبدهای تنظیم‌شده با این مدل و سبدهای تنظیم‌شده با سایر روش‌های بهینه‌سازی سبد سهام، برتری مدل پیشنهادی را نشان می‌دهد.
اصالت/ارزش‌افزوده علمی: در این مقاله با بهره‌گیری از مدل‌های یادگیری ماشین، فرآیند انتخاب سهام سبد و تخصیص سرمایه مناسب میان سهام سبد به‌صورت خودکار انجام شده است و تاثیر آن در کارایی سبد به‌وضوح دیده می‌شود.

کلیدواژه‌ها

20.1001.1.25385097.1402.8.2.14.8

موضوعات

داده‌کاوی و مفاهیم مربوط به آن

عنوان مقاله [English]

A novel machine learning approach for portfolio optimization

نویسندگان [English]

Saman Haratizadeh
Fatemeh Rezaee

Department of Decision Sciences and Knowledge, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran.

چکیده [English]

Purpose: Selection of the best stocks for the portfolio as well as allocating the optimal amount of capital per stock in the portfolio are serious challenges in investing in the stock market. The use of machine learning capacities in the process of optimal capital allocation among portfolio assets has received less attention and usually, the same weight is assigned to portfolio stocks or traditional risk assessment methods are used to divide capital between portfolio stocks. The common disadvantage of these methods is that they all use simple and inflexible mechanisms to estimate the performance of a set. The purpose of this paper is to show for the first time, that machine learning can be used to create a more effective mechanism for estimating performance, which leads to a more efficient allocation of capital to portfolio stocks.
Methodology: Our proposed framework, uses two predictive models based on machine learning. In the first step, stocks historical information is used in a return forecasting model, then based on the predicted returns, the appropriate stocks of the portfolio are selected. In the second step, a separate forecasting model predicts portfolio returns by taking into account both the forecasted returns in the first model and the expected risk of the stocks. At the end based on the predicted return of the numerous random portfolios, the appropriate weight for each asset is selected.
Findings: Comparing the returns of adjusted portfolios with this model and adjusted portfolios with other portfolio optimization methods shows the superiority of the proposed model.
Originality/Value: In this paper, by using machine learning models, the process of selecting the appropriate stock of the portfolio and allocating capital among the candidate stocks is done optimally.

کلیدواژه‌ها [English]

Portfolio selection
Portfolio optimization
Deep learning
Machine learning

مراجع

[1] Graves, A., & Schmidhuber, J. (2005). Framewise phoneme classification with bidirectional lstm and other neural network architectures. Neural networks, 18(5), 602–610. https://doi.org/10.1016/j.neunet.2005.06.042

[2] Wang, W., Li, W., Zhang, N., & Liu, K. (2020). Portfolio formation with preselection using deep learning from long-term financial data. Expert systems with aaplications, 143, 113042. https://doi.org/10.1016/j.eswa.2019.113042

[3] Huang, C. F. (2012). A hybrid stock selection model using genetic algorithms and support vector regression. Applied soft computing, 12(2), 807–818. https://doi.org/10.1016/j.asoc.2011.10.009

[4] Hoseinzade, E., & Haratizadeh, S. (2019). CNNpred: CNN-based stock market prediction using a diverse set of variables. Expert systems with applications, 129, 273–285. https://doi.org/10.1016/j.eswa.2019.03.029

[5] Lee, S. Il, & Yoo, S. J. (2020). Threshold-based portfolio: the role of the threshold and its applications. The journal of supercomputing, 76(10), 8040–8057. DOI:10.1007/s11227-018-2577-1

[6] Yu, J. R., Paul Chiou, W. J., Lee, W. Y., & Lin, S. J. (2020). Portfolio models with return forecasting and transaction costs. International review of economics and finance, 66, 118–130. https://doi.org/10.1016/j.iref.2019.11.002

[7] 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. DOI:https://doi.org/10.1016/j.asoc.2020.106943

[8] Ta, V. D., Liu, C. M., & Tadesse, D. A. (2020). Portfolio optimization-based stock prediction using long-short term memory network in quantitative trading. Applied sciences, 10(2), 437.

[9] Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054

[10] Yang, F., Chen, Z., Li, J., & Tang, L. (2019). A novel hybrid stock selection method with stock prediction. Applied soft computing, 80, 820–831. DOI:https://doi.org/10.1016/j.asoc.2019.03.028

[11] Markowitz, H. M., & Todd, G. P. (2000). Mean-variance analysis in portfolio choice and capital markets (Vol. 66). John Wiley & Sons.

[12] Paiva, F. D., Cardoso, R. T. N., Hanaoka, G. P., & Duarte, W. M. (2019). Decision-making for financial trading: a fusion approach of machine learning and portfolio selection. Expert systems with applications, 115, 635–655. https://doi.org/10.1016/j.eswa.2018.08.003

[13] Ma, Y., Han, R., & Wang, W. (2021). Portfolio optimization with return prediction using deep learning and machine learning. Expert systems with applications, 165, 113973. https://doi.org/10.1016/j.eswa.2020.113973

[14] Duarte, F. G., & De Castro, L. N. (2020). A framework to perform asset allocation based on partitional clustering. IEEE access, 8, 110775–110788. DOI:10.1109/ACCESS.2020.3001944

[15] Silva, Y. L. T. V, Herthel, A. B., & Subramanian, A. (2019). A multi-objective evolutionary algorithm for a class of mean-variance portfolio selection problems. Expert systems wwth applications, 133, 225–241. https://doi.org/10.1016/j.eswa.2019.05.018

تصمیم گیری و تحقیق در عملیات

ارایه‌ روشی جدید برای بهره‌‌گیری از یادگیری ماشین در فرآیند بهینه‌سازی سبد سهام

مراجع

مراجع

دوره 8، شماره 2
شهریور 1402
صفحه 527-539

ارایه‌ روشی جدید برای بهره‌‌گیری از یادگیری ماشین در فرآیند بهینه‌سازی سبد سهام

مراجع

مراجع

دوره 8، شماره 2شهریور 1402صفحه 527-539

دوره 8، شماره 2
شهریور 1402
صفحه 527-539