ارایه روشی جدید برای بهره گیری از یادگیری ماشین در فرآیند بهینه سازی سبد سهام

انتخاب سهام برای قرار گرفتن در یک سبد سهام و هم چنین تخصیص میزان مناسبی از سرمایه به هر یک از سهام درون سبد، چالش های جدی سرمایه گذاری در بازار سهام هستند. تاکنون در پژوهش های متعددی از روش های پیشرفته یادگیری ماشین برای انتخاب سهام درون سبد سهام استفاده شده است، استفاده از ظرفیت های یادگیری ماشین در فرآیند تخصیص کارآمد سرمایه میان سهام سبد کم تر موردتوجه قرار گرفته است و معمولا وزن یکسان به سهام سبد تخصیص داده می شود یا از روش های سنتی ارزیابی ریسک برای تقسیم سرمایه میان سهام سبد استفاده می شود. نقطه ضعف مشترک این روش ها این است که در همه آن ها از مکانیزم های ساده و انعطاف ناپذیر برای تخمین کارایی یک سبد سهام استفاده می شود. در این مقاله ما برای نخستین بار نشان می دهیم که با استفاده از یادگیری ماشین می توان مکانیزم موثرتری برای این تخمین کارایی ساخت که منجر به تخصیص پربازده تر سرمایه به سهام سبد می شود.

روش شناسی پژوهش: 

چارچوب پیشنهادی ما موسوم به  Per-Learner از دو مدل پیش بینی مبتنی بر یادگیری ماشین استفاده می کند. در گام 1 با استفاده از اطلاعات تاریخی سهام در یک مدل پیش بینی بازده سهم، سهام مناسب سبد انتخاب می شود و در گام 2 به کمک یک مدل پیش بینی مجزا سعی می شود با در نظر گرفتن هم زمان سود پیش بینی شده در مدل اول و ریسک مورد انتظار هر یک از سهم های سبد، بازده سبد در آینده پیش بینی شده و بر این اساس ترکیب وزن مناسب برای سهام سبد انتخاب و پیشنهاد گردد.

مقایسه بازده تجمعی سبدهای تنظیم شده با این مدل و سبدهای تنظیم شده با سایر روش های بهینه سازی سبد سهام، برتری مدل پیشنهادی را نشان می دهد.

اصالت/ارزش افزوده علمی: 

در این مقاله با بهره گیری از مدل های یادگیری ماشین، فرآیند انتخاب سهام سبد و تخصیص سرمایه مناسب میان سهام سبد به صورت خودکار انجام شده است و تاثیر آن در کارایی سبد به وضوح دیده می شود.