استفاده از الگوريتم‌هاي ماشين بردار پشتيبان و بيز ساده و تركيب آن با سنجه ريسك و نظريه فازي در انتخاب سبد سهام

هدف: هدف پژوهش حاضر تشكيل پرتفوي بهينه با استفاده از الگوريتم هاي يادگيري ماشين و نظريه فازي است كه بازدهي بهتر از بازده ميانگين بازار (شاخص كل بورس اوراق بهادار) داشته باشد.روش‌شناسي پژوهش: در پژوهش حاضر، سهام شركت هاي منتخب در مرحله اول با استفاده از دو الگوريتم معرفي شده، كلاس بندي مي شوند. در مرحله بعد سهامي كه وارد كلاس مثبت شده اند، با كمك الگوريتم جنگل تصادفي، براي روز معاملاتي بعد پيش بيني مي شوند. براي هريك از شركت ها سه پيش‌بيني صورت مي گيرد كه ورودي هاي بهينه سازي با روش فازي هستند. بهينه سازي با هدف كمينه‌كردن ريسك با سنجه هاي ريسك ارزش در معرض خطر و ارزش در معرض خطر شرطي صورت مي گيرد. اطلاعات سهم ها پنج‌ساله، به صورت روزانه و بازه زماني آن از ابتداي سال 1397 تا پايان سال 1401 مي باشد.يافته‌ها: در پايان، هركدام از الگوريتم ها و سنجه ريسك مورداستفاده آن، با بازده واقعي بازار سنجيده و مقايسه گرديد. بر اساس نتايج به‌دست‌آمده سنجه ريسك CVAR قابليت و نتيجه بهتري را نسبت به سنجه ريسك VAR داشته است و الگوريتم ماشين بردار پشتيبان نيز، عملكرد بهتري را در انتخاب سبد سرمايه گذاري رقم زده است.اصالت / ارزش‌افزوده علمي: اين پژوهش با يكپارچه‌سازي روش‌هاي يادگيري ماشين و سنجه‌هاي ريسك، به شكل يك نمونه سرمايه بهينه مي‌شود. اضافه‌كردن سنجه‌هاي ريسك VaR و CVaR فرآيند تصميم‌گيري در خصوص كاهش ريسك را تقويت مي‌كند. پيش بيني به كمك جنگل تصادفي و استفاده از رويكردي بر پايه نظريه فازي براي تحليل ريسك و ارزش، پژوهش را به يك چشم‌انداز نوآورانه در تشكيل پرتفوي مي‌بخشد. يافته‌ها، به سرمايه‌گذاران و پژوهشگران در جستجوي استراتژي‌هاي سرمايه‌گذاري بهتر، يافته‌هاي ارزشمندي ارائه مي‌دهد.