الگوريتم سيستم‌هاي تحليل تركيبي در پيش‌بيني مطلوب‌ترين پرتفوي

توسعه شيوه هاي تحليلي در سبد سرمايه گذاري متناسب با شرايط بازار و فضاي اقتصادي مي تواند به افزايش پويايي در توسعه سرمايه گذاري ها و كسب بازده بيشتر در برابر كنترل ريسك ها منجر شود. شيوه هاي پيش بيني و بهينه سازي به تصميم گيرندگان مالي كمك مي كنند تا براساس اطلاعات بازار بهترين سهام را در سبد سرمايه گذاري خود قرار دهند و با بهينه سازي آن به ايجاد بازده هاي بيشتر دست يابند. هدف اين پژوهش پيش بيني اثر بخشي تفاوت پرتفوي سورتينو و ماركويتز براساس الگوريتم سيستم هاي تحليل تركيبي است. براين اساس تعداد 102 شركت بورس اوراق بهادار تهران در بازه زماني ۱۳۹۳ تا ۱۳۹۷ بر اساس غربالگري روشمند انتخاب و مورد قرار گرفتند. در اين پژوهش از طريق جداسازي سهام ارزشي و سهام رشدي اقدام به انتخاب پرتفوي هاي تصادفي ساده براي بررسي و آزمون فرضيه هاي پژوهش شد و براي تحليل از دو الگوريتم ماشين بردار پشتيبان و سيستم استنتاج فازي عصبي انطباق پذير به منظور انتخاب مطلوب ترين پرتفوي بهره برده شد. نتايج پژوهش نشان داد، پرتفوي سورتينو (X) براساس الگوريتم فرا ابتكاري الگوريتم ماشين بردار پشتيبان تفاوت معناداري با پرتفوي ماركوينز (Y) دارد، به طوريكه تصميم گيرندگان در پرتفوي سورتينو به دنبال بهينه سازي سبد سهام خود از طريق سهام رشدي در بلندمدت هستند. همچنين مشخص شد، دقت سيستم تحليل استنتاج فازي عصبي انطباق پذير ( ANFIS) نسبت به دقت سيستم تحليل ماشين بردار پشتيبان ( SVM ) براي انتخاب اثر بخش ترين پرتفوي از ميان پرتفوي سورتينو و ماركويتز، بالاتر است چرا كه به دليل دارا بودن همزمان از دو مكانيزم يادگيري و بهينه سازي شبكه عصبي و بيان زباني استنتاج فازي به مديران كمك مي كند تا برآوردهاي بهتري نسبت به عدم اطمينان و قطعيت از خود نشان دهند.