چکیده:
تکنیکهای پیشبینی و بهینهسازی به تصمیمگیرندگان مالی کمک میکنند تا براساس اطلاعات بازار، بهترین سهام را در سبد سرمایهگذاری خود قرار دهند و با بهینهسازی آن به ایجاد بازدههای بیشتر دست یابند. هدف این پژوهش پیشبینی اثربخشی تفاوتِ پرتفوی سورتینو و مارکویتز براساس الگوریتمِ سیستمهای تحلیل ترکیبی میباشد. براین اساس تعداد ۱۰۲ شرکت بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۳ تا ۱۳۹۷ براساس غربالگری سیستماتیک انتخاب و مورد بررسی قرار گرفتند. در این پژوهش از طریق تفکیک سهام ارزشی و سهام رشدی، اقدام به انتخاب پرتفویهای تصادفی ساده جهت بررسی و آزمون فرضیههای پژوهش شد و برای تحلیل از دو الگوریتم ماشین بردار پشتیبان و سیستم استنتاج فازی عصبی انطباقپذیر به منظور انتخاب مطلوب ترین پرتفوی بهره برده شد. نتایج پژوهش نشان داد، پرتفوی سورتینو (X) براساس الگوریتم فرا ابتکاری (الگوریتم ماشین بردار پشتیبان) تفاوت معناداری با پرتفوی مارکویتز (Y) دارد، به طوریکه تصمیم گیرندگان در پرتفوی سورتینو به دنبال بهینهسازی سبد سهام خود از طریق سهام رشدی در بلندمدت میباشند. همچنین مشخص شد، دقت سیستم تحلیل استنتاج فازی عصبی انطباقپذیر (ANFIS) نسبت به دقت سیستم تحلیل ماشین بردار پشتیبان (SVM) جهت انتخاب اثربخشترین پرتفوی از میان پرتفوی سورتینو و مارکویتز، بالاتر میباشد، چراکه به دلیل دارابودن همزمان از دو مکانیزم یادگیری و بهینهسازی شبکه عصبی و بیان زبانی استنتاج فازی، به مدیران کمک میکند تا برآوردهای بهتری نسبت به عدم اطمینان و قطعیت از خود نشاندهند.
The development of analytical techniques in the investment portfolio in accordance with market conditions and economic climate can increase the dynamism of investment development and achieve greater returns against risk control. Forecasting and optimization techniques help financial decision makers to place the best stocks in their portfolio based on market information and achieve greater returns by optimizing it. The purpose of this research is predicting the effectiveness of the difference between Sortino and Markowitz portfolios is based on the hybrid analysis systems algorithm. Accordingly, 102 companies of Tehran Stock Exchange were examined in the 2014-2018 period. In this study, by separating value stocks and growth stocks, random portfolios were selected to test the research hypotheses and for analysis, two algorithms Support Vector Machines (SVM) and an Adaptive Neuro-Fuzzy Inference System (ANFIS) were used to select the most desirable portfolio. The results showed that Sotino (X) portfolio based on meta-heuristic algorithm (support vector machine algorithm) is significantly different from Markowitz (Y) portfolio, so that decision makers in Sortino portfolio seek to optimize their stock portfolio through long-term growth stocks. It was also found that the accuracy of the adaptive neural fuzzy inference analysis (ANFIS) system is higher than the accuracy of the support vector machine analysis (SVM) system to select the most effective portfolio from Sotino and Markowitz portfolio, because it has two learning mechanisms and Neural network optimization and linguistic expression of fuzzy inference help managers to make better estimates of uncertainty and uncertainty.
خلاصه ماشینی:
در این پژوهش از طریق جداسازی سهام ارزشی و سهام رشدی ، اقدام به انتخاب پرتفوی های تصادفی ساده برای بررسی و آزمون فرضیه های پژوهش شد و برای تحلیل از دو الگوریتم ماشین بردار پشتیبان و سیستم استنتاج فازی عصبی انطباق پذیر به منظور انتخاب مطلوب ترین پرتفوی بهره برده شد.
همچنین مشخص شد، دقت سیستم تحلیل استنتاج فازی عصبی انطباق پذیر (FIS) نسبت به دقت سیستم تحلیل ماشین بردار پشتیبان (MS) برای انتخاب اثر بخش ترین پرتفوی از میان پرتفوی سورتینو و مارکویتز، بالاتر است ، چراکه به دلیل دارابودن همزمان از دو مکانیزم یادگیری و بهینه سازی شبکه عصبی و بیان زبانی استنتاج فازی، به مدیران کمک میکند تا برآوردهای بهتری نسبت به عدم اطمینان و قطعیت از خود نشان دهند.
در این پژوهش نیز، یکی از روش های هوش مصنوعی به نام ماشین بردار پشتیبان ، به همراه یکی از الگوریتم های پرکاربرد در این حوزه یعنی سیستم استنتاج فازی عصبی انطباق پذیر، برای پیش بینی مطلوب ترین پرتفوی سهام مورد بررسی قرار میگیرند، زیرا هدف انتخاب روش پیش بینی مناسب در انتخابِ پرتفوی مطلوب است .
از طرف دیگر، مدیران شرکت ها برای تشکیل بازده پرتفوی میتوانند با اتکا به هوش محاسباتی این تحلیل به منظور کلاسه بندی داده های سبد سرمایه گذاری خود از عملکرد مطلوب تری نسبت به تحلیل ماشین بردار پشتیبان (MS) برخوردار باشند، چراکه این سیستم از توانایی یادگیری و بهینه سازی شبکه عصبی و بیان زبانی استنتاج فازی به صورت همزمان بهره میبرد و با اتکا به برآورد با دقت تر میانگین مربعات خطا (RMSE) قادر است تا سطح تفاوت بین مقدار واقعی actual و مقدار پیش بینی شده prediction را تاحد ممکن کاه٩ش دهد.