fa ارایه روشی مبتنی بر داده جهت بهینه سازی سبد سهام با استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق آمار stat علمی پژوهشی کاربردی S <span style="font-size:11pt"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span b="" lang="FA" nazanin="" style="font-family:">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&nbsp; 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.</span></span></span></span></span></span><br> &nbsp; <span style="font-size:11pt"><span style="line-height:normal"><span style="text-autospace:none"><span style="font-family:Calibri,sans-serif"><span style="font-size:10.0pt">In today&#39;s complex and dynamic financial markets, portfolio optimization presents a significant challenge for investors. As such, capital market investors grapple with fundamental questions regarding which stocks to buy, at what time, and in what quantities. This research aims to provide a novel approach to portfolio optimization using a mean-variance model based on predictions from traditional machine learning and deep learning algorithms, offering solutions to these crucial questions. Drawing on the emergence of data-driven methods, this study compares the performance of various machine learning and deep learning algorithms in forecasting stock prices on the Tehran Stock Exchange. The dataset comprises the closing prices of nine major symbols from the Tehran Stock Exchange over a 1000-day period. The findings suggest that traditional machine learning models, particularly linear regression, outperform deep learning models in predicting prices. Furthermore, the mean-variance portfolio optimization approach leverages optimal stock selection and allocation to maximize returns while minimizing risk. This research serves as a practical tool for portfolio managers and risk analysts, facilitating improved risk management and investment portfolio performance.</span><span dir="RTL" lang="AR-SA" style="font-size:10.0pt"><span style="font-family:"Arial",sans-serif"></span></span></span></span></span></span><br> &nbsp; بهینه سازی سبد سرمایه گذاری, چیش بینی قیمت سهام , یادگیری ماشین . یادگیری عمیق Portfolio optimization, Stock price prediction, Machine learning, Deep learning. 73 103 http://mmr.khu.ac.ir/browse.php?a_code=A-14-1767-1&slc_lang=fa&sid=1 Ali Najaf Najafi علی نجف نجفی ali_najaf80@ind.iust.ir 10031947532846006930 10031947532846006930 No School of Industrial Engineering, Iran University of Sci ence and Technology (IUST) دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران Maoud Najaf Najafi مسعود نجف نجفی mnajafi.mhd@gmail.com 10031947532846006931 10031947532846006931 Yes Khorasan Razavi Agricultural and Natural Resources Research and Education Center سازمان تحقیقات، آموزش و ترویج کشاورزی