طراحی مدل یکپارچه بهینه سازی سبد سرمایه گذاری با رویکرد ترکیبی پیش بینی بازده (LSTM، جنگل تصادفی و ARIMA)، مدل های نوسان پذیری GARCH و تصمیم گیری چندمعیاره فازی مبتنی بر سطوح مختلف انتظارات سرمایه گذار

هدف اصلی این پژوهش ارائه یک مدل یکپارچه برای بهینه سازی سبد سرمایه گذاری است که در آن به طور هم زمان از پیش بینی بازده مورد انتظار، مدل سازی نوسانات و تصمیم گیری چندمعیاره فازی استفاده می شود. در این چارچوب، بازده مورد انتظار دارایی ها با بهره گیری از مدل های یادگیری عمیق LSTM، جنگل تصادفی و مدل سری زمانی ARIMA پیش بینی شده و به عنوان ورودی مدل بهینه سازی به کار گرفته می شود. به منظور برآورد دقیق ریسک و وابستگی بین دارایی ها، از مدل های چندمتغیره GARCH برای تخمین ماتریس کوواریانس شرطی استفاده شده است که امکان مدل سازی نوسانات و همبستگی های پویا در بازار سرمایه را فراهم می آورد. در ادامه، به منظور انعکاس واقع بینانه ترجیحات سرمایه گذاران، یک مدل بهینه سازی چندمعیاره در محیط فازی ارائه می شود که علاوه بر معیارهای ریسک و بازده، عواملی همچون نقد شوندگی، سود تقسیمی، محدودیت های سرمایه گذاری و تعداد دارایی ها را نیز در نظر می گیرد. همچنین با استفاده از تابع عضویت فازی لجستیک، سطوح مختلف انتظارات سرمایه گذاران با درجات متفاوت ریسک پذیری مدل سازی می شود. نتایج حاصل از پیاده سازی مدل نشان می دهد که ترکیب پیش بینی بازده با روش های یادگیری ماشین و لحاظ کردن عدم قطعیت و ترجیحات سرمایه گذاران در قالب مدل فازی، منجر به بهبود عملکرد سبد سرمایه گذاری و افزایش بازده نسبت به مدل های سنتی می شود.

کلیدواژه ها:

بهینه سازی سبد سرمایه گذاری ، مدل های چندمتغیره GARCH ، پیش بینی بازده ، شبکه عصبی LSTM ، جنگل تصادفی ، ARIMA ، تصمیم گیری چندمعیاره فازی ، تابع عضویت لجستیک ، ترجیحات و انتظارات سرمایه گذار