به كارگيري مدل هاي يادگيري ماشين در تشكيل پرتفوي بهينه سهام و مقايسه كارايي آنها

Applying machine learning models in creation of share optimum portfolio and their comparison

هرچند مدل هاي اقتصاد سنجي براي توصيف و ارزيابي روابط بين متغيرها با استنتاج آماري مناسب هستند، اما محدوديت هايي براي تحليل هاي مالي دارند. تلاش هاي زيادي براي مدل سازي روابط غيرخطي در داده هاي مالي با استفاده از فناوري هاي يادگيري ماشين انجام شده است. هدف از انجام اين پژوهش به كارگيري مدل هاي يادگيري ماشين در تشكيل پرتفوي بهينه سهام و مقايسه كارايي آن ها است. نمونه آماري پژوهش حاضر، شامل 156 شركت پذيرفته شده در بورس اوراق بهادار تهران براي بازه زماني 1387 تا 1396 است. پس از گردآوري داده ها، مدل هاي يادگيري عميق موردنظر در نرم افزار آناكوندا و زبان برنامه نويسي پاي تون، مورد آزمون قرار گرفت و سپس توانايي هر يك از مدل ها در تشكيل پرتفوي بهينه سهام توسط معيارهاي ارزيابي بازده، بازده مركب، ترينر و جنسن تعيين شد. با توجه به نرخ بازده بدون ريسك و نرخ بازده بازار و اينكه سرمايه گذاران با تشكيل پرتفوي به دنبال سودآوري بيشتر از اين دو نرخ بازده هستند و هم چنين نتايج ارزيابي پرتفوي دو شاخص ترينر و جنسن، اين نتيجه حاصل گرديد كه مدل شبكه عصبي كانولوشن يادگيري عميق توانايي تشكيل پرتفوي بهينه سهام را دارد و بر طبق همين استدلال، مدل شبكه عصبي بازگشتي حافظه طولاني كوتاه مدت توانايي تشكيل پرتفوي بهينه سهام را ندارد.

Although econometric models are appropriate for describing and evaluating the relationships between variables and statistical inference, but they have some limitations for financial analysis. Many efforts have been made to model nonlinear relationships in financial data using machine learning technologies. The purpose of this study is to apply machine learning models to form optimal stock portfolios and compare their performance. The statistical sample of the present study consists of 156 companies listed in Tehran Stock Exchange during the period 2009-2018. After data collection, the intended deep learning models in Anaconda software and Python programming language were tested, and then the ability of each model was determined by return evaluation, composite return, trenors and jensens criteria to form an optimal stock portfolio. According to the free-risk and market return rate, forming portfolio by investor to more profit than these two rates and portfolio valuation results of trenors and jensens indexes, it was concluded that the deep Convolutional Neural Network is able to for optimal portfolio. According to this reasoning, the long short-term memory model is not capable of optimal portfolio formation.