بهینه سازی سبد سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران بر اساس روش های ترکیبی یادگیری ماشین جمعی دوسطحی و الگوریتم های فرا ابتکاری چند هدفه مبتنی بر رویکرد زمان سنجی بازار

در این مقاله با استفاده از رویکرد زمان سنجی بازار وروش های یادگیری جمعی همگن و غیر همگن به ارایه سیگنال خرید، نگهداری و فروش و پیش بینی بازار بر اساس ویژگی های بنیادی ویژگی های فنی و سری زمانی بازدهی هر شرکت در 100 روز منتهی به روز جاری پرداخته شده است. بر این اساس ، 208 شرکت که به عنوان شرکت های فعال بین سال های 1390 تا 1399 بودند، انتخاب شدند. برای آموزش داده ها توسط ماشین یادگیری جمعی دوسطحی (HHEL) و پیش بینی روند بازار بر اساس استراتژی زمان سنجی بازار ، از داده های 5 سال 1390 تا 1394 استفاده و برای تست داده ها به منزله بهینه سازی سبد سهام بر اساس بیشینه سازی بازده سبد سهام و کمینه سازی ریسک سبد سهام سرمایه گذاری، از الگوریتم های MOPSO و NSGA II استفاده و با سبد سرمایه گذاری بدست آمده با استراتژی خرید و نگهداری مقایسه شده است. نتایج نشان داد الگوریتم MOPSO بالاترین بازده سبد سهام را با 96.437 % در مقابل الگوریتم NSGA II با بازدهی 91.157 % و روش سرمایه گذاری یکسان با بازدهی 13.058 % بدست آورده است. همچنین ریسک سبد سرمایه گذاری در الگوریتم NSGA II بسیار پایین تر از ریسک سبد سرمایه گذاری در الگوریتم MOPSO به ترتیب با 0.792% و 1.367% بوده است.