بهينه سازي پورتفوي سرمايه گذاري مبتني بر ماتريس شبكه و مقايسه آن با الگوي تركيبي فازي عصبي و الگوريتم ژنتيك (ANFIS)

(Optimization of Network-Based Matrix Investment Portfolio and Comparison with Fuzzy Neural Combination Pattern and Genetic Algorithm(ANFIS

چندين سال است كه پژوهشگران به بررسي و تحقيق درباره مسائل مربوط به بهينه سازي سبد سرمايه گذاري پرداخته اند . يكي از موضوعات اصلي مشخص كردن روش بهينه سازي است كه به تشكيل سبد سرمايه گذاري بهينه يعني حداقل نمودن ريسك سرمايه گذاري و حداكثر كردن سود سرمايه گذاري مي باشد. هدف پژوهش حاضر بررسي قابليت راهبرد ماتريس شبكه و مدل فازي عصبي ژنتيك (ANFIS) در بهينه سازي سبد سرمايه گذاري از بين شركت هاي بورس اوراق بهادار تهران است. گروه بندي سهام بوسيله ماتريس شبكه مبتني بر متغييرهاي نوين شامل سهام تهاجمي ، بي تفاوت و تدافعي كه توسط رهنماي رودپشتي (1388) ارائه شده و متغييرهاي سنتي شامل سهام رشدي ، رشدي –ارزشي و ارزشي و دسته بندي شركت ها براساس ارزش بازار آنها و استفاده از قانون چارك ها و در نهايت وزن دهي آنها متناسب با بازدهي آن سهم در نظرگرفته مي شود. نسبت به طراحي و ارائه يك مدل بهينه سازي سبد سرمايه گذاري سهام با استفاده از سيستم استنتاج عصبي فازي انطباقي و تركيب آن با الگوريتم ژنتيك (ANFIS) پرداخته شده است كه در آن از دو دسته مختلف متغيرهاي فني و بنيادي به‌عنوان ورودي‌هاي مدل استفاده مي‌شود. خروجي‌هاي تحقيق نشان مي دهد اين سيستم‌ها از توانايي لازم براي بهينه سازي سبد سهام برخوردار مي‌باشند. بنابراين يك مدل تركيبي شبكه هاي عصبي و تئوري استدلال فازي همراه با الگوريتم ژنتيك به منظور وزن دهي عامل هاي موثر در بهينه سازي سبد سهام در 7 سال منتهي به سال 1398 بكار گرفته شده است.

Researchers have been researching portfolio optimization issues for several years. One of the main issues is to determine the optimization method, which is to form an optimal investment portfolio, ie to minimize investment risk and maximize investment profit. The aim of this study is to investigate the strategic capability of network matrix and fuzzy genetic neural model (ANFIS) in optimizing the investment portfolio among companies on the Tehran Stock Exchange. Grouping stocks by network matrix based on new variables including aggressive, indifferent and defensive stocks provided by Roodpashti (2009) and traditional variables including growth, growth-value and value stocks and classification of companies based on their market value and use. From the law of quarters and finally their weighting is considered in proportion to the return of that share. The design and presentation of a stock portfolio optimization model using adaptive fuzzy neural inference system and its combination with genetic algorithm (ANFIS) in which two different categories of technical and fundamental variables are used as model inputs. Research outputs show that these systems have the necessary ability to optimize the stock portfolio. Therefore, a combined model of neural networks and fuzzy reasoning theory with genetic algorithm has been used to weight the factors affecting stock portfolio optimization in the 7 years leading up to 1398.