تشكيل پرتفوي سهام با استفاده از مدل تحليل مميز قطري درجه دو و وزن دهي بر اساس احتمال پسين

Portfolio Formation Using Diagonal Quadratic Discriminant Analysis and Weighting Based on Posterior Probability

پيش‌بيني بازدهي سهام از مهم‌ترين مسائل سرمايه‌گذاري در اوراق بهادار است از طرفي، با توجه به اينكه بازار سهام، سيستمي غيرخطي و آشوب گونه كه تحت تأثير شرايط سياسي، اقتصادي و غيره هست لذا پيش‌بيني بازدهي نيازمند ابزارهاي هوشمند و پيشرفته‌اي همچون ماشين‌هاي يادگيرنده است. در اين تحقيق هدف اصلي تفكيك سهام به دو طبقه پربازده و كم بازده و تشكيل پرتفوي است كه بدين منظور از تحليل مميز قطري درجه دوم و ماشين بردار پشتيبان و همچنين براي گزينش بهترين متغيرها جهت پيش‌بيني طبقه بازدهي از روش انتخاب ويژگي متوالي استفاده شده است. براي هر مدل در حالتي كه وزن سهم‌ها برابر است بر اساس پيش‌بيني طبقه بازدهي هر سهم طي سال‌هاي 88-91 پرتفوي تشكيل داده شده ­است كه نتايج رضايت بخش بوده و همه پرتفوي­ هاي تشكيل شده بازدهي بيشتر از بازدهي پرتفوي معيار داشتند. براي مدل تحليل مميز با انتخاب ويژگي،‌ از احتمال پسين جهت وزن دهي استفاده و با پرتفوي معيار مقايسه شد كه نتايج دلالت بر وجود تفاوت معنادار بين بازدهي دو پرتفوي و برتري پرتفوي مدل تحليل مميز دارد.

Stock return forecasting is one of the most important question for investing in Stock markets. Because of the effects of policy, economic, etc., we need moderns and intelligent models to forecast the returns. The main idea in this research is classifying the stocks into high and low return groups, for this purpose support vector machine (SVM) was used. To elect the best variables for models we used sequential feature selection and in order to evaluate the accuracy of SVM we do the same forecasting with diagonal quadratic discriminant analysis (DQDA). By using paired t-test, we conclude that models have no significant difference. Equal weighted portfolios were created for each models with and without feature selection also, we used posterior probability to weight the portfolio of DQDA with feature selection. The returns were calculated for each portfolio during the years 1388-1391. The simulating results are satisfying and all portfolios’ returns are better than market portfolio.