ارائه الگوریتم ترکیبی یادگیری ماشین و ترکیب سنجه‎ های ریسک و نظریه فازی در انتخاب سبد سرمایه گذاری

بازده و ریسک دو عامل مهم و اساسی برای تصمیم گیری در حوزه مالی می باشند. پژوهش حاضر جهت یافتن پرتفوی بهینه برای سرمایه گذاری از سهام بورسی انجام گرفته و یکی از روش هایی که در حال حاضر محبوبیت زیادی در بین تحلیل گران و پژوهش-گران این حوزه شکل گرفته، روش های مبتنی بر هوش مصنوعی و در پی آن روش هایی با هدف کاهش سنجه های ریسک می باشد. هدف پژوهش حاضر تشکیل پرتفوی با استفاده از روش های یادگیری ماشین، سنجه ریسک و ترکیب آن با نظریه فازی است، که بازده ای بهتر از بازده میانگین بازار داشته باشد. خروجی هر روش وارد الگوریتم جنگل تصادفی شده و پیش بینی به وسیله این الگوریتم صورت می گیرد و در مرحله آخر، خروجی پیش بینی برای تشکیل سبد سرمایه وارد مدل بهینه سازی ارزش در معرض ریسک و ارزش در معرض ریسک شرطی با رویکرد نظریه فازی می شوند. اطلاعات سهم ها به صورت روزانه و بازه زمانی آن از ابتدای سال 1394 تا اواسط سال 1398 می باشد. در پایان هرکدام از این روش ها و مراحل با بازده واقعی بازار مقایسه گردید. بر اساس نتایج بدست آمده سنجه ریسک CVAR قابلیت بهتری را نسبت به سنجه ریسک VAR داشته است، هم چنین الگوریتم جنگل تصادفی در بین الگوریتم های یادگیری ماشین استفاده شده، نتایج بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.