ارایه‌ روشی جدید برای بهره‌‌گیری از یادگیری ماشین در فرآیند بهینه‌سازی سبد سهام

هدف: انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم‌چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش‌های جدی سرمایه‌گذاری در بازار سهام هستند. تاکنون در پژوهش‌های متعددی از روش‌های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت‌های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه میان سهام سبد کم‌تر موردتوجه قرار گرفته است و معمولا وزن یکسان به سهام سبد تخصیص داده می‌شود یا از روش‌های سنتی ارزیابی ریسک برای تقسیم سرمایه میان سهام سبد استفاده می‌شود. نقطه‌ضعف مشترک این روش‌ها این است که در همه آن‌ها از مکانیزم‌های ساده و انعطاف‌ناپذیر برای تخمین کارایی یک سبد سهام استفاده می‌شود. در این مقاله ما برای نخستین‌بار نشان می‌دهیم که با استفاده از یادگیری ماشین می‌توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر‌به تخصیص پربازده‌تر سرمایه به سهام سبد می‌شود.روش‌شناسی پژوهش: چارچوب پیشنهادی ما موسوم به  per-learner از دو مدل پیش‌بینی مبتنی بر یادگیری ماشین استفاده می‌کند. در گام 1 با استفاده از اطلاعات تاریخی سهام در یک مدل پیش‌بینی بازده سهم، سهام مناسب سبد انتخاب می‌شود و در گام 2 به کمک یک مدل پیش‌بینی مجزا سعی می‌شود با در‌نظر گرفتن هم‌زمان سود پیش‌بینی‌شده در مدل اول و ریسک مورد انتظار هر یک از سهم‌های سبد، بازده سبد در آینده پیش‌بینی شده و بر این ‌اساس ترکیب وزن مناسب برای سهام سبد انتخاب و پیشنهاد گردد.یافته‌ها: مقایسه بازده تجمعی سبدهای تنظیم‌شده با این مدل و سبدهای تنظیم‌شده با سایر روش‌های بهینه‌سازی سبد سهام، برتری مدل پیشنهادی را نشان می‌دهد.اصالت/ارزش‌افزوده علمی: در این مقاله با بهره‌گیری از مدل‌های یادگیری ماشین، فرآیند انتخاب سهام سبد و تخصیص سرمایه مناسب میان سهام سبد به‌صورت خودکار انجام شده است و تاثیر آن در کارایی سبد به‌وضوح دیده می‌شود.

a novel machine learning approach for portfolio optimization

purpose: selection of the best stocks for the portfolio as well as allocating the optimal amount of capital per stock in the portfolio are serious challenges in investing in the stock market. the use of machine learning capacities in the process of optimal capital allocation among portfolio assets has received less attention and usually, the same weight is assigned to portfolio stocks or traditional risk assessment methods are used to divide capital between portfolio stocks. the common disadvantage of these methods is that they all use simple and inflexible mechanisms to estimate the performance of a set. the purpose of this paper is to show for the first time, that machine learning can be used to create a more effective mechanism for estimating performance, which leads to a more efficient allocation of capital to portfolio stocks.methodology: our proposed framework, uses two predictive models based on machine learning. in the first step, stocks historical information is used in a return forecasting model, then based on the predicted returns, the appropriate stocks of the portfolio are selected. in the second step, a separate forecasting model predicts portfolio returns by taking into account both the forecasted returns in the first model and the expected risk of the stocks. at the end based on the predicted return of the numerous random portfolios, the appropriate weight for each asset is selected.findings: comparing the returns of adjusted portfolios with this model and adjusted portfolios with other portfolio optimization methods shows the superiority of the proposed model.originality/value: in this paper, by using machine learning models, the process of selecting the appropriate stock of the portfolio and allocating capital among the candidate stocks is done optimally.