بهينه‌سازي سبد سرمايه‌گذاري به كمك پيش‌بيني‌ بازده مورد انتظار با استفاده از روش‌هاي شبكه عصبي LSTM، جنگل تصادفي و ARIMA

در جهان امروز اهميت مدل‌هاي بهينه‌سازي سبد سرمايه‌گذاري به صورت فزاينده‌اي مورد توجه قرار گرفته است. هرچند پيش‌بيني‌ بازده مورد انتظار گزينه‌هاي سرمايه‌گذاري و در نظر گرفتن آن‌ها‌ در تابع هدف بيشينه‌سازي سود امري رايج است ليكن مهم‌ترين نوآوري پژوهش جاري كمينه‌سازي خطاي پيش‌بيني به عنوان تابع هدف است. اين نوآوري به سرمايه‌گذاران توصيه مي‌كند كه در تشكيل سبد سرمايه‌گذاري علاوه بر سود و ريسك، بر معيار مهم قابل پيش‌بيني بودن گزينه‌هاي سرمايه‌گذاري نيز تاكيد گردد. ادغام پيش‌بيني بازده مدل‌هاي سري زماني سنتي در تشكيل پورتفوليو مي‌تواند عملكرد مدل بهينه‌سازي سبد اصلي را بهبود بخشد. از آنجايي كه مدل‌هاي يادگيري ماشين و يادگيري عميق برتري قابل توجهي نسبت به مدل‌هاي سري زماني نشان داده‌اند، اين مقاله پيش‌بيني بازده در تشكيل پورتفوليو را با مدل يادگيري ماشين، يعني جنگل تصادفي و مدل يادگيري عميق حافظه‌ي كوتاه‌مدت طولاني تركيب مي‌كند. به منظور ارزيابي عملكرد مدل پيشنهادي، داده‌هاي تاريخي 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانكي، خودرويي، دارويي، فلزي و نفتي است. نتايج تجربي نشان مي‌دهد كه مدل‌هاي بهينه‌سازي ميانگين واريانس با پيش‌بيني بازدهي به‌وسيله جنگل تصادفي ، بهتر عمل مي‌كنند.