علی نمکی - استادیار، مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
فاطمه کافی موسوی - کارشناسی ارشد، مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

یکی از مهم ترین اهداف سرمایه گذاری تخصیص سرمایه به مجموعه ای از دارایی ها برای به حداکثر رساندن بازده و به حداقل رساندن ریسک است. در بازار سهام سرمایه گذاران ابتدا بازده مورد انتظار خود را مشخص می کنند و سپس وزن بهینه سرمایه گذاری در هر دارایی را تعیین می کنند. از این سو پیش بینی دقیق تر بازده در عملکرد سبد تشکیل شده نقش اساسی دارد؛ از آنجاکه استفاده از مدل های یادگیری ماشین و یادگیری عمیق در سالیان اخیر رشد چشم گیری داشته است و از طرفی مدل های اقتصادسنجی محدودیت های خاص خود را در مسائل پیش بینی دارند، در این پژوهش با به کارگیری روش های مبتنی بر هوش مصنوعی سری زمانی بازده دارایی ها پیش بینی می شود و سپس پرتفوهای بهینه سهام تشکیل و کارایی آن ها مقایسه می شود. ادغام این روش ها برای پیش بینی بازده سهام تشکیل دهنده پرتفوی با روش های بهینه سازی می تواند عملکرد مدل مذکور را بهبود بخشد. در این پژوهش از شرکت های موجود در شاخص ۳۰ شرکت برتر در بازه زمانی فروردین ۱۳۹۰ تا اسفند ۱۴۰۰ استفاده شده است و پس از جمع آوری داده ها دو روش یادگیری عمیق "LSTM-CNN" و CNN"" بر روی سهام منتخب مورد آزمون قرار گرفته و نتایج حاصل با ۳ معیار Accuracy ، Hit Rate + ،Hit Rate-- مقایسه شده اند و در مرحله بعد پرتفوهای بهینه ی حاصل از این سهام با ۳ روش ماکزیمم نسبت شارپ، ارزش در معرض خطر شرطی و وزن های برابر تشکیل و سپس نتایج حاصل از این روش ها توسط دو معیار نسبت سورتینو و نسبت شارپ ارزیابی شده اند. نتایج حاصل نشان دهنده عملکرد بهتر مدل CNN-LSTM در ترکیب با روش CVaR نسبت به بقیه استراتژی ها است.

حافظه طولانی کوتاه مدت، شبکه عصبی پیچشی، یادگیری عمیق، بهینه سازی پرتفوی، ارزش در معرض خطر شرطی.