بهینه سازی پیشرفته سبد سهام با استفاده از ابزارهای هوش مصنوعی مالی و معیارهای ریسک مبتنی بر اعتبار: مطالعه موردی روی شاخص داو جونز

گزارش های مالی فصلی از جمله دقیق ترین و ارزشمندترین منابع برای ارزیابی عملکرد و جهت گیری استراتژیک یک شرکت هستند. در این مقاله، ما یک مدل استراتژی سرمایه گذاری جدید پیشنهاد می کنیم که از این گزارش ها برای بهبود تصمیمات سرمایه گذاری بلندمدت استفاده می کند. هسته اصلی رویکرد ما در ادغام هوش مصنوعی و تجزیه و تحلیل مالی پیشرفته نهفته است. به طور خاص، ما از نوتبوک ال ام، ابزاری مبتنی بر هوش مصنوعی که قادر به تجزیه و استخراج بینش های کلیدی از متون مالی بدون ساختار است، و مدل فینبرت، یک مدل تحلیل احساسات متناسب با امور مالی، برای ارزیابی احساسات بازار و لحن افشای اطلاعات یک شرکت استفاده می کنیم. ما از معیار ارزش در معرض خطر برای محاسبه ریسک مدل پیشنهادی استفاده می کنیم که زیان های مالی بالقوه را ارزیابی و کمی می کند. با شناخت محدودیت های مدل های کمی سنتی به ویژه در شرایط بازار بی ثبات یا مبهم ما از نظریه اعداد فازی در زمینه نظریه اعتبار استفاده کرده ایم. این امر به مدل اجازه می دهد تا عدم دقت و ابهام را به طور موثرتری مدیریت کند و عدم قطعیت های ذاتی بازارهای مالی را منعکس کند. برای ارزیابی کاربرد عملی مدل خود، آزمایش های تجربی را با استفاده از داده های مالی واقعی از شرکت های فهرست شده در (DJIA) انجام می دهیم. نتایج نشان می دهد که رویکرد ما نه تنها دقت ارزیابی ریسک را بهبود می بخشد، بلکه عملکرد پرتفوی را نیز در مقایسه با مدل های مرسوم افزایش می دهد. با ادغام تحلیل احساسات، منطق فازی و معیارهای ریسک مالی، چارچوب ما دیدگاه جامع تری از ریسک شرکتی و ارزش بلندمدت ارائه می دهد.

کلیدواژه ها:

سرمایه گذاری ، بهینه سازی سبد سهام ، مدل فینبرت ، نوتبوک ال ام ، ارزش در معرض ریسک ، نظریه مجموعه فازی ، و تئوری اعتبار