بهینه یابی پرتفوی مبتنی بر پیش بینی در بورس اوراق بهادار تهران؛ رویکرد شبکه های عصبی NARX و LSTM (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف از مطالعه حاضر پیاده سازی بهینه یابی پرتفوی مبتنی بر پیش بینی در بورس اوراق بهادار تهران با استفاده از شبکه عصبی خودبازگشتی غیرخطی با متغیرهای برون زا (NARX) به عنوان رویکرد اصلی و شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به عنوان رویکرد رقیب و نیز مقایسه عملکرد آن با روش بهینه یابی پرتفوی میانگین-واریانس مارکوویتز است. بدین منظور ابتدا رتبه بندی و تشخیص سهام شرکت هایی که سرمایه گذاری روی آن ها به صرفه است با بهره گیری از مدل تک عامله شارپ صورت گرفته، سپس در راستای برآورد شاخص بازده مورد انتظار و ریسک پرتفوی از پیش بینی بازدهی سهام شرکت ها و واریانس خطاهای پیش بینی بر پایه رویکردهای مذکور استفاده شده و پس از آن بهینه یابی پرتفوی بر اساس روش کلی میانگین-واریانس مارکوویتز انجام شده است. شرکت های موجود در شاخص 50 شرکت فعال تر بورسی مربوط به پایان سال 1400 به عنوان یک نمونه از جامعه آماری در نظر گرفته شدند و برآوردها با استفاده از داده های روزانه مربوط به دوره زمانی 1/2/1399 تا 29/12/1400 انجام شد. نتایج نشان می دهد رویکرد شبکه عصبی NARX نسبت به رویکرد شبکه عصبی LSTM دقت بالاتری در پیش بینی بازدهی سهام شرکت ها دارد و در مرحله بهینه یابی نیز آن را مغلوب می کند. بهینه یابی پرتفوی مبتنی بر پیش بینی با استفاده از شبکه های عصبی NARX و LSTM در مقایسه با بهینه یابی پرتفوی میانگین-واریانس مارکوویتز ریسک کمتر و حداکثر نرخ شارپ بالاتری را برای سرمایه گذاران فراهم می آورد.Prediction-based portfolio optimization in Tehran Stock Exchange; NARX and LSTM neural networks approach
The purpose of present study is to implement prediction-based portfolio optimization in Tehran Stock Exchange using nonlinear autoregressive with exogenous variables (NARX) neural network as the main approach and long short term memory (LSTM) neural network as the competing approach and comparing its performance with Markowitz mean-variance portfolio optimization method. For this purpose, firstly, the ranking and identifying the stocks of the companies that are profitable to invest in was done by using Sharpe's single-index model, then in order to estimate the expected return index and portfolio risk, the prediction of the return of the companies' stocks and the variance of the prediction errors were used based on the mentioned approaches, and then portfolio optimization is done based on Markowitz's mean-variance general method. The companies included in the index of 50 most active stock companies related to the end of 1400 are considered as a sample of the statistical population, and the estimates were made using daily data related to the time period from 1/2/1399 to 29/12/1400. The results show that the NARX neural network approach is more accurate than the LSTM neural network approach in predicting the returns of the companies' stocks and defeats it in the optimization stage. Prediction-based portfolio optimization using NARX and LSTM neural networks provides investors with lower risk and a higher maximum Sharpe ratio compared to mean-variance Markowitz portfolio optimization.
تبلیغات
