ارايه‌ روشي جديد براي بهره‌‌گيري از يادگيري ماشين در فرآيند بهينه‌سازي سبد سهام

هدف: انتخاب سهام براي قرار گرفتن در يك سبد سهام و هم‌چنين تخصيص ميزان مناسبي از سرمايه به هر يك از سهام درون سبد، چالش‌هاي جدي سرمايه‌گذاري در بازار سهام هستند. تاكنون در پژوهش‌هاي متعددي از روش‌هاي پيشرفته يادگيري ماشين براي انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفيت‌هاي يادگيري ماشين در فرآيند تخصيص كارآمد سرمايه ميان سهام سبد كم‌تر موردتوجه قرار گرفته است و معمولا وزن يكسان به سهام سبد تخصيص داده مي‌شود يا از روش‌هاي سنتي ارزيابي ريسك براي تقسيم سرمايه ميان سهام سبد استفاده مي‌شود. نقطه‌ضعف مشترك اين روش‌ها اين است كه در همه آن‌ها از مكانيزم‌هاي ساده و انعطاف‌ناپذير براي تخمين كارايي يك سبد سهام استفاده مي‌شود. در اين مقاله ما براي نخستين‌بار نشان مي‌دهيم كه با استفاده از يادگيري ماشين مي‌توان مكانيزم موثرتري براي اين تخمين كارايي ساخت كه منجر‌به تخصيص پربازده‌تر سرمايه به سهام سبد مي‌شود.روش‌شناسي پژوهش: چارچوب پيشنهادي ما موسوم به  Per-Learner از دو مدل پيش‌بيني مبتني بر يادگيري ماشين استفاده مي‌كند. در گام 1 با استفاده از اطلاعات تاريخي سهام در يك مدل پيش‌بيني بازده سهم، سهام مناسب سبد انتخاب مي‌شود و در گام 2 به كمك يك مدل پيش‌بيني مجزا سعي مي‌شود با در‌نظر گرفتن هم‌زمان سود پيش‌بيني‌شده در مدل اول و ريسك مورد انتظار هر يك از سهم‌هاي سبد، بازده سبد در آينده پيش‌بيني شده و بر اين ‌اساس تركيب وزن مناسب براي سهام سبد انتخاب و پيشنهاد گردد.يافته‌ها: مقايسه بازده تجمعي سبدهاي تنظيم‌شده با اين مدل و سبدهاي تنظيم‌شده با ساير روش‌هاي بهينه‌سازي سبد سهام، برتري مدل پيشنهادي را نشان مي‌دهد.اصالت/ارزش‌افزوده علمي: در اين مقاله با بهره‌گيري از مدل‌هاي يادگيري ماشين، فرآيند انتخاب سهام سبد و تخصيص سرمايه مناسب ميان سهام سبد به‌صورت خودكار انجام شده است و تاثير آن در كارايي سبد به‌وضوح ديده مي‌شود.