نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه تهران

2 دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

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 سرمایه گذاری 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 بهینه‌ی سرمایه میان سهام سبد کمتر مورد توجه 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. نقطه ضعف مشترک این روش‌ها این است که در همه آنها از مکانیزم‌های ساده و انعطاف‌ناپذیر برای تخمین کارایی یک سبد سهام استفاده می شود. در این مقاله ما برای نخستین بار نشان می‌دهیم که با استفاده از یادگیری ماشین می توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر به تخصیص پربازده تر سرمایه به سهام سبد می‌شود.

روش‌شناسی پژوهش: چارچوب پیشنهادی ما موسوم به Per-Learner از دو مدل پیش بینی مبتنی بر یادگیری ماشین استفاده می‌کند. در گام نخست با استفاده از اطلاعات تاریخی سهام در یک مدل پیش‌بینی بازده سهم، سهام مناسب سبد انتخاب می‌شود و در گام دوم به کمک یک مدل پیش بینی مجزا سعی می‌شود با در نظر گرفتن هم‌زمان سود پیش بینی شده در مدل اول و ریسک مورد انتظار هر یک از سهم‌های سبد، بازده سبد در آینده پیش بینی شده و بر این اساس ترکیب وزنی مناسب برای سهام سبد انتخاب و پیشنهاد گردد.

یافته‎ ها: مقایسه بازده تجمعی سبدهای تنظیم شده با این مدل و سبدهای تنظیم شده با سایر روش‌های بهینه‌سازی سبد سهام، برتری مدل مبتنی بر یادگیری ماشین را برای ساخت سبد سهام نشان میدهد.

اصالت/ارزش افزوده علمی: در این مقاله با بهره‌گیری از مدل‌های یادگیری ماشین، روشی جدید برای انتخاب سهام مناسب سبد و تخصیص سرمایه میان سهام کاندید بصورت بهینه ارایه شده است. روش پیشنهادی میتواند به عنوان ابزاری برای معامله خودکار سهام و یا روشی برای پیشنهاد سبد سهام به سرمایه گذاران مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A novel machine learning approach for portfolio optimization

نویسندگان [English]

  • Saman Haratizadeh 1
  • Fatemeh Rezaee 2

1 University of Tehran

2 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 stock market investment. In many studies, advanced machine learning methods have been used to select stocks for the portfolio, but machine learning capacities have received less attention in the process of optimal capital allocation among portfolio assets. In most of the existing techniques, equal weights are assigned to portfolio stocks or traditional risk assessment methods are used to divide capital among portfolio stocks. The purpose of this paper is to show how 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, called Per-Learner, 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 for 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, appropriate weight for each asset is set based on the predicted returns for numerous random portfolios.

Findings: The comparison of the cumulative returns of the portfolios suggested by this model and the state of the art baselines shows the superiority of the proposed model.

Originality/Value: In this paper we introduce a novel machine learning approach to select the appropriate stocks for the portfolio and allocate the capital among the candidate stocks, This algorithm can be used for automatic trading in the market or applied by investors as a portfolio recommendation technique,

کلیدواژه‌ها [English]

  • Portfolio selection
  • portfolio optimization
  • Machine Learning
  • Deep Learning