بهینه‌سازی سبد سرمایه‌گذاری به کمک پیش‌بینی‌ بازده مورد انتظار با استفاده از روش‌های شبکه عصبی lstm، جنگل تصادفی و arima

در جهان امروز اهمیت مدل‌های بهینه‌سازی سبد سرمایه‌گذاری به صورت فزاینده‌ای مورد توجه قرار گرفته است. هرچند پیش‌بینی‌ بازده مورد انتظار گزینه‌های سرمایه‌گذاری و در نظر گرفتن آن‌ها‌ در تابع هدف بیشینه‌سازی سود امری رایج است لیکن مهم‌ترین نوآوری پژوهش جاری کمینه‌سازی خطای پیش‌بینی به عنوان تابع هدف است. این نوآوری به سرمایه‌گذاران توصیه می‌کند که در تشکیل سبد سرمایه‌گذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیش‌بینی بودن گزینه‌های سرمایه‌گذاری نیز تاکید گردد. ادغام پیش‌بینی بازده مدل‌های سری زمانی سنتی در تشکیل پورتفولیو می‌تواند عملکرد مدل بهینه‌سازی سبد اصلی را بهبود بخشد. از آنجایی که مدل‌های یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدل‌های سری زمانی نشان داده‌اند، این مقاله پیش‌بینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظه‌ی کوتاه‌مدت طولانی ترکیب می‌کند. به منظور ارزیابی عملکرد مدل پیشنهادی، داده‌های تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان می‌دهد که مدل‌های بهینه‌سازی میانگین واریانس با پیش‌بینی بازدهی به‌وسیله جنگل تصادفی ، بهتر عمل می‌کنند.

portfolio optimization with return prediction using lstm, random forest, and arima

in today’s world, optimizing investment portfolios has received increasing attention. while predicting the expected returns of investment options and incorporating them into the objective function for profit maximization is a common practice, the most significant innovation in current research is the minimization of prediction error as the objective function. this innovation advises investors to emphasize not only on profit and risk but also on the predictability of investment options when forming an investment portfolio. integrating return prediction from traditional time series models into portfolio formation can enhance the performance of the primary portfolio optimization model. since machine learning and deep learning models have demonstrated a significant superiority over time series models, this paper combines return prediction in portfolio formation with machine learning models, namely random forest, and deep learning model, long short-term memory (lstm). to evaluate the performance of the proposed model, five years of historical data from 2017 to 2021 are used for five industry sectors: banking, automotive, pharmaceutical, metal, and petroleum. the experimental results demonstrate that the mean-variance optimization models perform better when return prediction is done using random forest