پیش بینی سود هر سهم و تشکیل سبد بهینه سهام با شبکه ها عصبی مصنوعی و الگوریتم های فرا ابتکاری

بهینه سازی سبد سهام یا پرتقوی یکی از مسائل مهم در حوزه مسائل مالی و سرمایه گذاری است و دارای کاربردهای فراوانی در زمینه مدیریت سرمایه می باشد. انتخاب سهام برای هر کسی به اشکال مختلفی انجام می شود. برخی سهام خود را با توجه به گذشته سهم انتخاب می کنند و برخی نقدشوندگی و سود نقد سهم را در نظر می گیرند. در کنار اینها نقش تحلیل هم بسیار پررنگ است و افراد با استفاده از تحلیل های تکنیکال و فاندامنتال دست به خرید سهام می زنند. از آنجا که سبد سهام، در واقع تمام دارایی های یک فرد در بازار مالی می باشد و بهینه کردن آن یعنی سود بیشتر برای فرد سهامدار. پس از آن که سبد سهام شکل گرفت، می توان از طریق روش هایی آن را بهینه کرد و بیشترین بازدهی را کسب کرد و این همان چیزی است که بهینه سازی سهام خوانده می شود. هدف از این پژوهش، پیش بینی سود هرد سهم و تشکیل سبد سهام بهینه به جهت افزایش بازدهی سبد و کاهش ریسک می باشد . برای تشکیل یک سبد سهام بهینه باید بازدهی و سود مورد انتظار آینده را پیش بینی کرد و این را هم در نظر گرفت که بهینه سازی به راحتی و با حل یک مسئله ریاضی انجام نمی شود. و نرمال فرض کردن بازده سهام موجود در یک سبد، در بازار واقعی و پر از نوسان فرضی اشتباه است. بنابراین برای حل مسئله از دو روش کلی خطی و غیر خطی استفاده می شود. مطالعات این پژوهش بر روی ۲۰۰ شرکت بورس و اوراق بهادر از سال ۱۳۹۰ تا ۱۴۰۰ انجام شده است. مدل پیشنهادی این پژوهش شامل پیش پردازش جهت نرمال سازی داده ها سپس استفاده از الگوریتمهای شبکه عصبی مصنوعی و الگوریتم های فرا ابتکاری به هدف پیش بینی سود هر سهم و تشکیل سبد سهام بهینه و افزایش بازدهی سبد و کاهش ریسک می باشد . در نهایت با معیارهای ارزیابی کارایی الگوریتم ها سنجیده شده و با یکدیگر مقایسه می شوند. در روش پیشنهادی شبکه های عصبی مصنوعی به علت دارا بودن ویژگی های غیرخطی ، ناپارامتریک و یادگیری تطبیقی ، ابزار قدرتمندی هم برای پیش بینی و هم برای بهینه سازی می باشند. و از آنجا که بهینه سازی سبد سهام با پیش بینی سود هر سهم دارای محدودیت هایی ست مانند زمانی که سهام ها در بازار دچار تغییر و نوسانات شدید میشوند و سرمایه گذاران از معاملات با ریسک بالا اجتناب می کنند، با استفاده از الگوریتم های فرا ابتکاری که عموما از طبیعت الهام گرفته شده اند می توان مسائل غیرخطی همراه با محدودیت را حل نمود و با پیش بینی سود هر سهم سبدی بهینه تشکیل داد و مسئله بهینه سازی را به خوبی حل کرد. بنابراین شبکه های عصبی مصنوعی و الگوریتم های فرا ابتکاری بسیار موثر می باشند و موجب افزایش توانایی پیش بینی و بهینه سازی می شوند. ترکیب شبکه های عصبی مصنوعی و الگوریتم های فرا ابتکاری به منظور شناسایی منغیر های موثر در پیش بینی، قدرت پیش بینی را به صورت مطلوب افزایش می دهد و به دلیل رفتار غیر خطی سود هر سهم ، الگوهای غیر خطی در تشکیل سبد بهینه با بازده ایی بالاتر و ریسک پایین تر موثر تر رفتار می کنند.

کلیدواژه ها:

پیش بینی سود هر سهم ، سبد بهینه سهام ، الگوریتم های فرا ابتکاری ، شبکه عصبی مصنوعی