مدل بهینه سازی پورتفوی مبتنی بر پیشبینی با استفاده از شبکه عصبی cnn و معیار msad در بورس اوراق بهادار تهران

در دهه‌های اخیر، بهینه‌سازی پورتفوی به عنوان یک حوزه تحقیقاتی پرطرفدار، مورد توجه زیادی از سوی پژوهشگران قرار گرفته است. کیفیت بهینه‌سازی پورتفوی به سرمایه‌گذاران کمک می‌کند تا سودهای پایدارتری ایجاد کنند. در این پژوهش از شبکه عصبی کانواوشنال (cnn) برای ساخت مدل‌ بهینه‌سازی پورتفوی بر پایه پیش‌بینی استفاده شده است. این مدل‌، نه تنها از مزایای تکنولوژی یادگیری عمیق بهره‌مند می‌باشد، بلکه از مزایای تئوری مدرن پورتفوی نیز برخوردار است. در این رویکرد، ابتدا از cnn برای پیش‌بینی بازده آتی هر سهم استفاده می‌شود. سپس، خطای پیش‌بینی cnn به عنوان معیار ریسک هر سهم به کار گرفته می‌شود. ادغام بازده‌ی پیش‌بینی شده با انحراف نیمه مطلق خطای پیش‌بینی (msad)، منجر به ساخت مدل‌ بهینه‌سازی پورتفوی می‌شود. این مدل با پورتفوی هم وزن که سهام آن با cnn انتخاب شده‌ است، مقایسه می‌شود. همچنین، دو مدل پورتفوی مبتنی بر پیش‌بینی از طریق رگرسیون بردار پشتیبان (svr) به عنوان پورتفوی معیار مورد استفاده قرار می‌گیرند. داده‌های تجربی این پژوهش، شامل شرکت‌های حاضر در شاخص 50 شرکت فعال‌تر بورس اوراق بهادار تهران می‌باشد. نتایج تجربی نشان می‌دهند که مدل پورتفوی مبتنی بر پیش‌بینی با cnn ، عملکرد برتری در مقایسه با svr در شرایط بازده‌های متفاوت از خود نشان می‌دهد. همچنین، افزایش بازده مورد انتظار می‌تواند منجر به بهبود عملکرد این مدل شود. این پژوهش به وضوح نقش مثبت شبکه‌های عصبی عمیق (dnnها) در ایجاد مدل‌های بهینه‌سازی پورتفوی را نشان می‌دهد.

a prediction-based portfolio optimization model using cnn neural network and msad criterion in tehran stock exchange

portfolio optimization as a popular research field has received many attention from researchers in recent decades. quality of portfolio optimization helps investors generate more sustainable returns. in this research, convolutional neural network (cnn) is used to build a portfolio optimization model based on prediction. this model not only benefits from deep learning technology, but also benefits from modern portfolio theory. in this approach, cnn is first used to predict the future return of each stock. then, the prediction error of cnn is used as the risk measure of each stock. integrating the predicted return with the semi-absolute deviation of the prediction error leads to the construction of the portfolio optimization model. this model is compared with an equally weighted portfolio whose stocks are selected with cnn. also, two prediction based portfolio models with support vector regression (svr) are used as benchmark portfolios. the empirical data of this research includes the companies in the index of 50 most active companies of tehran stock exchange. the experimental results show that the prediction-based portfolio model with cnn shows a superior performance compared to svr in the conditions of different returns. also, the increase in the expected return can improve the performance of this model. this research clearly states the positive role of deep neural networks (dnns) in creating portfolio optimization models.