مدل سازی تصمیمات سرمایه گذاری تحت عدم قطعیت در پیش بینی امتیاز کارایی برای سرمایه گذاری با ترکیب LSTM و تحلیل پوششی داده ها

هدف: مدیریت عدم قطعیت در سرمایه گذاری یکی از چالش های اساسی در تصمیم گیری های مالی است. همواره در سرمایه گذاری ها، نا اطمینانی هایی وجود دارد که صاحبان سرمایه را نگران می کند، بنابراین نیاز است با به کارگیری روش های مناسب، به ارزیابی صحیح از این نااطمینانی ها اقدام نماییم. پژوهش حاضر یک چارچوب ترکیبی نوآورانه برای مدل سازی عدم قطعیت در سرمایه گذاری ارایه می دهد که از ترکیب یادگیری عمیق و تحلیل پوششی داده ها بهره می برد.روش شناسی پژوهش: برای این منظور، ابتدا با استفاده از یادگیری ماشین تعیین ضرایب ورودی ها و خروجی ها برای پیش بینی کارایی استفاده شده است. سپس، با استفاده از مدلDEA کارایی سرمایه گذاری واحدهای تصمیم گیری محاسبه شده است. در این رویکرد، ابتدا مدل حافظه طولانی کوتاه مدت برای پیش بینی بازده سرمایه گذاری با استفاده از داده های مالی و اقتصادی به کار گرفته می شود.یافته‎ها: نتایج این پژوهش نشان می دهد که رویکرد پیشنهادی در ارزیابی تصمیمات سرمایه گذاری در شرایط عدم قطعیت عملکرد خوبی دارد. نتایج نشان می دهد که بین ریسک و کارایی سرمایه گذاری رابطه معناداری وجود دارد؛ سرمایه گذاری های با ریسک پایین تر معمولا کارایی بالاتری دارند. همچنین، برخی سرمایه گذاری های با بازده بالا نیز در میان گزینه های کارایی بالا قرار دارند که نشان می دهد ریسک تنها عامل تعیین کننده نیست.اصالت/ارزش افزوده علمی: مدل پیشنهادی قادر است تغییرات و نوسانات بازار را بهتر درک کرده و در مقایسه با روش های سنتی، دقت بالاتری در ارزیابی گزینه های سرمایه گذاری داشته باشد. این دستاورد نشان می دهد که مدل سازی عدم قطعیت سرمایه گذاری با استفاده از این روش ترکیبی، نه تنها از نظر تئوری، بلکه در عمل نیز می تواند ابزار ارزشمندی برای سرمایه گذاران و مدیران مالی باشد. این پژوهش با ارایه یک رویکرد ترکیبی، گامی نوین در جهت بهینه سازی تصمیمات سرمایه گذاری در شرایط عدم قطعیت برداشته و راه کارهای جدیدی برای کاهش ریسک و بهبود بازده ارایه می کند.

کلیدواژه ها:

پیش بینی ، تحلیل پوششی داده ها ، عدم قطعیت ، مدل سازی ، یادگیری عمیق