یک چارچوب دو مرحله‌ای برای بهینه‌سازی سبد سهام: پیش‌انتخاب هوشمند سهام با استفاده از ماشین بردار پشتیبان

این پژوهش به بررسی کارایی مدل ماشین بردار پشتیبان در بهینه‌سازی سبد سهام در بورس اوراق بهادار تهران می‌پردازد. مدل ماشین بردار پشتیبان برای تشکیل یک سبد بر اساس داده‌های فرکانس بالا و عملکرد تعدیل شده با ریسک آن با بازده یک سبد آماری پیش‌بینی‌شده توسط سرمایه مقایسه اقدام به انتخاب سبد سهام می کند. این الگو با رویکرد یادگیری با نظارت در حل مسائل رده بندی و رگرسیون مورد استفاده قرار می گیرد. این پژوهش از جنس پژوهش های کاربردی است که بر اساس داده های تاریخی اقدام به تحلیل و مدلسازی و نتیجه گیری از شواهد تجربی می کند. جامعه آماری اطلاعات مالی و معاملاتی شرکت های بورس اوراق بهادار تهران می باشد. نمونه آماری با کمک ماشین بردار پشتتیبان شامل سبد انتخابی با حجم 100 شرکت از بین 387 شرکت فعال در تالار بورس بین دوره زمانی 1400 تا 1401 می باشد. که داده ها بر حسب آماده سازی شامل دوره های روزانه، ماهانه و سالانه است. مدل svm به عنوان یک ابزار کارآمد در پیش‌بینی بازدهی و مدیریت ریسک سبد سهام، می‌تواند جایگزین مناسبی برای مدل‌های سنتی مانند capm باشد. این مدل قابلیت تفسیر بهتر نتایج و دقت بالاتری در پیش‌بینی بازدهی سهام دارد. نتایج نشان داد سبد تشکیل‌شده با svm با میانگین بازدهی 3/3 درصد و انحراف معیار 1/2 درصد، عملکرد به‌مراتب بهتری نسبت به سبد مبتنی بر مدل سنتی capm با میانگین بازدهی 1- درصد و انحراف معیار 5/5 درصد دارد. نسبت شارپ در مدل svm به‌طور معناداری بالاتر بود که نشان‌دهنده کارایی بالاتر این مدل در مدیریت سبد سهام است.

a two-stage framework for portfolio optimization: intelligent stock pre-selection using support vector machine

this study investigates the effectiveness of the support vector machine model in portfolio optimization in the tehran stock exchange. the support vector machine model selects a portfolio based on high-frequency data and its risk-adjusted performance with the return of a statistical portfolio predicted by the comparison capital. this model is used in solving classification and regression problems with a supervised learning approach. this research is an applied research that analyzes and models and draws conclusions from empirical evidence based on historical data. the statistical population is the financial and trading information of companies on the tehran stock exchange. the statistical sample with the help of the support vector machine includes a selected portfolio with a volume of 100 companies from 387 companies active in the stock market between the period 1400 and 1401. the data in terms of preparation includes daily, monthly and annual periods. the svm model, as an efficient tool in predicting returns and managing portfolio risk, can be a suitable alternative to traditional models such as capm. this model has the ability to better interpret results and higher accuracy in predicting stock returns. the results showed that the portfolio formed with svm with an average return of 3.3 percent and a standard deviation of 1.2 percent, has a much better performance than the portfolio based on the traditional capm model with an average return of -1 percent and a standard deviation of 5.5 percent. the sharpe ratio in the svm model was significantly higher, indicating the higher efficiency of this model in managing stock portfolios.