ارائه رویکرد دومرحله ای بهینه سازی سبد سهام با استفاده از الگوریتم اکس جی بوست

بهینه سازی پرتفوی مبتنی بر پیش بینی بازده دارایی با استفاده از مدل های یادگیری ماشین، یکی از رویکردهای نوآورانه در حوزه مدیریت سرمایه گذاری مدرن تلقی می شود. پژوهش حاضر باهدف ارتقای دقت فرایند تخصیص سرمایه، در دو مرحله اساسی طراحی شده است. در مرحله نخست، داده های بازار سهام شامل قیمت های تاریخی، متغیرهای تکنیکال و عوامل کلیدی تاثیرگذار جمع آوری و با پیش پردازش مناسب برای مدل سازی آماده سازی شدند. به منظور پیش بینی بازده آتی دارایی ها، از الگوریتم یادگیری ماشین اکس جی بوست استفاده شده و عملکرد مدل بر اساس شاخص های دقت مانند میانگین مطلق خطا و ضریب تعیین ارزیابی گردید. در مرحله دوم، خروجی مدل پیش بینی به عنوان داده ورودی مدل پیشرفته بهینه سازی پرتفو با معیار نیم واریانس قرار گرفت. مدل نیم واریانس با تمرکز بر ریسک نزولی و لحاظ کردن عدم تقارن توزیع بازده، نسبت به مدل سنتی میانگین-واریانس کارایی بالاتری در محیط های پرتلاطم بازار سرمایه از خود نشان داد. مسئله بهینه سازی به صورت چندهدفه باهدف هم زمان بیشینه سازی بازده پیش بینی شده و کمینه سازی ریسک نزولی صورت بندی و وزن بهینه دارایی ها در سبد تعیین شد. برای ارزیابی مطلوبیت سبد بهینه شده، شاخص هایی چون بازده تجمعی سالانه، نسبت شارپ و حداکثر افت سرمایه مورد تحلیل قرار گرفت. یافته های پژوهش نشان داد که استفاده از رویکرد یادگیری ماشین جهت پیش بینی بازده سهام و به کارگیری آن ها در مدل بهینه سازی مبتنی بر نیم واریانس، منجر به تفاوت های قابل توجهی در عملکرد سبد سرمایه گذاری وابسته به نوع مدل مورداستفاده می شود.

کلیدواژه ها:

بهینه سازی سبد سرمایه ، یادگیری ماشین ، نیم واریانس ، مدل سازی ریسک ، بهینه سازی چندهدفه ، سری زمانی