استفاده از الگوریتم‌های ماشین بردار پشتیبان و بیز ساده و ترکیب آن با سنجه ریسک و نظریه فازی در انتخاب سبد سهام

هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روش‌شناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیش‌بینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینه‌کردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنج‌ساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.یافته‌ها: در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج به‌دست‌آمده سنجه ریسک cvar قابلیت و نتیجه بهتری را نسبت به سنجه ریسک var داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.اصالت / ارزش‌افزوده علمی: این پژوهش با یکپارچه‌سازی روش‌های یادگیری ماشین و سنجه‌های ریسک، به شکل یک نمونه سرمایه بهینه می‌شود. اضافه‌کردن سنجه‌های ریسک var و cvar فرآیند تصمیم‌گیری در خصوص کاهش ریسک را تقویت می‌کند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشم‌انداز نوآورانه در تشکیل پرتفوی می‌بخشد. یافته‌ها، به سرمایه‌گذاران و پژوهشگران در جستجوی استراتژی‌های سرمایه‌گذاری بهتر، یافته‌های ارزشمندی ارائه می‌دهد.

the use of support vector machine and naive bayes algorithms and its combination with risk measure and fuzzy theory in the selection of stock portfolio

choosing the right investment portfolio makes people earn more profit by investing in the right fields. therefore, studying ways to determine the optimal stock portfolio is of great importance and necessity. in recent decades, special attention has been paid to the issue of stock portfolio in financial engineering. many researchers researched this issue and proposed models to optimize the investment portfolio, in which they tried to improve the previous models. on the other hand, considering that the uncertainty in the future economic conditions plays a key role in financial decisions, especially the issues of stock portfolio selection, stock portfolio optimization techniques should be studied along with risk measurement and contingency planning techniques. both in the part of classification by machine learning algorithms to separate data and in the part of selecting the optimal basket and portfolio, the research gap can be checked. in the data classification part, methods such as random or random classification have been used so far, in this study artificial intelligence method has been used, and more importantly in the part of selecting and optimizing the capital portfolio. in this study, it is tried to use the ability of neural network (machine learning) to create a relationship between different variables, portfolio using machine learning methods (support vector machine and simple bayes) as well as value at risk and value at conditional risk and it should be combined with the fuzzy theory