انتخاب بهینه سبد سهام با استفاده از الگوریتم ترکیبی فرا ابتکاری

انتخاب سبد سهام همواره از اساسی ترین مسایل سرمایه گذاران است. از لحاظ نظری انتخاب سبد سهام در حالت حداقل کردن ریسک با فرض ثبات بازده به کمک روابط ریاضی قابل حل است، اما با تنوع انتخاب در بازار سرمایه، تنها روابط ریاضی، راه حل موثری نیست. تنوع ابزارهای سرمایه گذاری و تفاوت تابع مطلوبیت سرمایه گذاران، فرآیند انتخاب را پیچیده نموده است. اینک گسترش بازارهای مالی و سرمایه، استفاده از سیستم های قاعده محور برای تصمیم گیری های سریع، با ریسک حداقل و به دور از اشتباهات انسانی، طراحی، توسعه یا بهبود این سیستم ها می تواند به عنوان مزیت رقابتی باشد. در پژوهش حاضر، از الگوریتم شبکه های عصبی و برنامه نویسی شبکه ژنتیک، برای تشخیص ویژگی های موثر و از درخت تصمیم id3 بهبودیافته به عنوان روش پیشنهادی جهت پیش بینی قیمت و روند تغییر قیمت سهام برای انتخاب سبد بهینه استفاده شده است. نتایج تحقیق نشان می دهد، روش پیشنهادی علاوه بر کاهش سربار محاسباتی و حافظه ای، قادر است تا با دقت بالایی به پیش بینی نوسانات شدید با الگوهای غیرخطی پرداخته و نسبت به روش های روز دنیا چون جستجوی نزدیک ترین همسایگی، رگرسیون خطی، میانگین متحرک خود همبسته و الگوریتم پیش بینی سری زمانی، بهتر عمل نماید.

Optimal Stock Portfolio Selection Using Hybrid MetaHeuristic Algorithms

Choosing a stock portfolio is always one of the most important issues for investors. Theoretically, selecting a stock portfolio can be solved by minimizing risk assumptions with the help of mathematical relationships, but with the variety of choices in the capital market, mathematical relationships alone are not an effective solution. The variety of investment tools and the differences in the functionality of investors’complexity have complicated the selection process. Now the expansion of financial and capital markets, the use of rulebased systems for quick decisions, with minimal risk and away from human error, design, development, or improvement of these systems can be a competitive advantage. In the present study, neural network algorithms and genetic programming algorithms have been used to identify effective features and the decision tree to improve id3 has been proposed as a method for predicting price and trend of stock price change to select the optimal basket. The research results show that in addition to reducing computational and memory overhead, the proposed method is able to accurately predict severe fluctuations with nonlinear patterns and compared to modern methods such as nearest neighbor search, linear regression, autoregressive integrated moving average, and time series prophet algorithm will do better.