بهینه سازی پرتفوی با استفاده از ادغام تحلیل پوششی داده ها با منابع داده چندگانه با رویکرد یادگیری ماشین در بورس اوراق بهادار تهران

هدف: این پژوهش با هدف بهینه سازی پرتفوی سرمایه گذاری از طریق ترکیب تحلیل پوششی داده ها و یادگیری ماشین با استفاده از داده های چندمنبعی در بورس اوراق بهادار تهران انجام شده است. هدف اصلی ارایه یک مدل پیشرفته برای انتخاب سهام و بهینه سازی پرتفوی به گونه ای است که سرمایه گذاران بتوانند استراتژی های کارآمدتری را نسبت به روش های سنتی اتخاذ کنند.روش شناسی پژوهش: در این مطالعه، ابتدا از مدل تحلیل پوششی داده ها برای ارزیابی کارایی سهام از نظر بازده تاریخی و همبستگی دارایی استفاده شده است. سپس با استفاده از ماشین بردار پشتیبان و ترکیب داده های چندمنبعی، روند حرکت قیمت سهام پیش بینی شده است. به منظور بهبود دقت مدل، روش های جستجوی تصادفی و شبکه ای برای تنظیم بهینه هایپرپارامترهای الگوریتم به کار گرفته شده است. در نهایت، داده های حاصل در یک مدل بهینه سازی پرتفوی ادغام شده و استراتژی سرمایه گذاری پیشنهادی تدوین شده است.یافته ها: نتایج تجربی بر روی داده های بورس اوراق بهادار تهران نشان داد که مدل پیشنهادی قادر به بهبود عملکرد استراتژی های سرمایه گذاری در مقایسه با روش های سنتی است. نسبت های شارپ و سورتینو نشان دهنده برتری مدل پیشنهادی نسبت به استراتژی حداقل واریانس سراسری بوده اند. همچنین مشخص شد که استفاده از یک استراتژی سرمایه گذاری کم تنوع می تواند کارایی بیشتری نسبت به استراتژی های کاملا متنوع ارایه دهد.اصالت/ارزش افزوده علمی: این پژوهش با ارایه یک مدل ترکیبی از تحلیل پوششی داده و یادگیری ماشین، رویکردی نوین برای انتخاب سهام و بهینه سازی پرتفوی پیشنهاد می دهد. استفاده از داده های چندمنبعی و روش های پیشرفته یادگیری ماشین، دقت پیش بینی و تصمیم گیری سرمایه گذاران را بهبود بخشیده و زمینه را برای تحقیقات آینده در حوزه هایی مانند استفاده از مدل های فازی، الگوریتم های فرا ابتکاری و تحلیل روابط بین شاخص های مالی فراهم می کند.

کلیدواژه ها:

تحلیل پوششی داده ها ، بهینه سازی پرتفوی ، یادگیری ماشین ، منابع داده چندگانه