دوره 11، شماره 3 - ( پاییز 1404 )                   دوره 11 شماره 3 صفحات 103-73 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Najaf Najafi A, Najaf Najafi M. A Data-Driven Approach for Portfolio Optimization Using Machine Learning and Deep Learning Algorithms. mmr 2025; 11 (3) :73-103
URL: http://mmr.khu.ac.ir/article-1-3411-fa.html
نجف نجفی علی، نجف نجفی مسعود. ارایه روشی مبتنی بر داده جهت بهینه سازی سبد سهام با استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق. پژوهش های ریاضی. 1404; 11 (3) :73-103

URL: http://mmr.khu.ac.ir/article-1-3411-fa.html


1- دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران
2- سازمان تحقیقات، آموزش و ترویج کشاورزی ، mnajafi.mhd@gmail.com
چکیده:   (380 مشاهده)
در دنیای پیچیده و متغیر بازارهای مالی، بهینه‌سازی سبد سهام به عنوان یک چالش اساسی برای معامله‌گران مطرح است. از این رو معامله گران بازار سرمایه همواره با سوالات اساسی همچون اینکه از چه سهامی، در چه بازه زمانی و به چه مقدار باید خریداری کنند رو به رو هستند. هدف اصلی این پژوهش نیز با ارایه یک رویکرد نوین برای بهینه سازی سبد سرمایه با استفاده از مدل  میانگین-واریانس مبتنی بر پیش‌بینی از طریق الگوریتم‌های یادگیری ماشین سنتی و یادگیری عمیق، به منظور پاسخگویی از این دست از سوالات می باشد. با توجه به ظهور روش‌های داده‌محور، این مطالعه به مقایسه عملکرد الگوریتم‌های مختلف یادگیری ماشین و یادگیری عمیق در پیش‌بینی قیمت سهام بازار بورس ایران نیز می‌پردازد. داده‌های مورد استفاده شامل قیمت بسته شدن ۹ نماد بزرگ از بازار بورس تهران در بازه زمانی ۱۰۰۰ روزه است. نتایج این مطالعه نشان می‌دهد که مدل‌های یادگیری ماشین سنتی، به ویژه رگرسیون خطی، در مقایسه با مدل‌های یادگیری عمیق، عملکرد بهتری در پیش‌بینی قیمت‌ها دارند. همچنین بهینه‌سازی سبد سهام با استفاده از روش میانگین-واریانس به دنبال انتخاب و تخصیص بهینه سرمایه به سهم های موجود برای رسیدن به بهترین بازده و کمترین ریسک را ارائه می‌دهد. این تحقیق به عنوان ابزاری عملی برای مدیران پرتفوی و تحلیلگران ریسک، بهبود مدیریت ریسک و عملکرد سبد سرمایه‌گذاری را تسهیل می‌کند.
 
متن کامل [PDF 1990 kb]   (255 دریافت)    
نوع مطالعه: علمی پژوهشی کاربردی | موضوع مقاله: آمار
دریافت: 1403/5/28 | ویرایش نهایی: 1404/9/27 | پذیرش: 1404/8/25 | انتشار: 1404/9/26 | انتشار الکترونیک: 1404/9/26

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهش‌های ریاضی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Mathematical Researches

Designed & Developed by : Yektaweb