بهینه‌سازی پرتفوی با استفاده از ادغام تحلیل پوششی داده‌ها با منابع داده چندگانه با رویکرد یادگیری ماشین در بورس اوراق بهادار تهران

نویسندگان

  • مرتضی سرمدی گروه مهندسی مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
  • سید اسماعیل نجفی * گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. https://orcid.org/0000-0002-8734-5436
  • سید احمد عدالت‌پناه گروه ریاضی کاربردی، موسسه آموزش عالی آیندگان، تنکابن، ایران. https://orcid.org/0000-0001-9349-5695

https://doi.org/10.22105/msda.v3i2.60

چکیده

هدف: بهینه­سازی پرتفوی یک موضوع پژوهشی داغ است که در دهه­های اخیر توجه بسیاری از پژوهشگران را به خود جلب کرده است. ادبیات موجود نشان می­دهد که عملکرد استراتژی­های سنتی پرتفوی میانگین-واریانس مناسب نیست.

روش‌شناسی پژوهش: برای پرداختن به این موضوع، این مقاله ابتدا توضیح می‌دهد که یک فرآیند سرمایه­گذاری کامل شامل دو بخش انتخاب دارایی و فرمول­بندی وزن سرمایه­گذاری است. سپس، یک طرح انتخاب سهام را طراحی می­کنیم که تحلیل پوششی داده­ها را با منابع داده­ چندگانه یکپارچه می­کند تا ارزش سرمایه­گذاری سهام را از نظر بازده تاریخی و همبستگی دارایی ارزیابی کند. علاوه بر این، از ماشین بردار پشتیبان ترکیب شده با داده‌های چندمنبعی برای پیش‌بینی حرکات قیمت سهام استفاده می­کنیم. در گام بعد، از ترکیب حرکات قیمت سهام به­دست ‌آمده و طرح انتخاب سهام پیشنهادی برای ساخت مدل بهینه‌سازی پرتفوی استفاده می‌کنیم. همچنین یک آزمون بر روی طرح انتخاب سهام پیشنهادی و استراتژی‌های سرمایه‌گذاری انجام می‌دهیم که در آن اجزای شاخص بورس اوراق بهادار تهران در دوره زمانی 15 ماهه بین شهریور 1400 تا آبان 1401 به عنوان نمونه‌های آزمایشی انتخاب می‌شوند.

یافته‌ها: نتایج تجربی نشان می‌دهد که طرح انتخاب سهام پیشنهادی می‌تواند به­طور مؤثر عملکرد همه استراتژی‌های سرمایه‌گذاری را بهبود بخشد. علاوه بر این، استراتژی سرمایه‌گذاری پیشنهادی در مقایسه با استراتژی سرمایه‌گذاری حداقل واریانس سراسری سنتی عملکرد بهتری دارد.

اصالت/ارزش افزوده علمی: این پژوهش با ادغام تحلیل پوششی داده‌هاو الگوریتم‌های یادگیری ماشین بر پایه داده‌های متنوع (فنی، بنیادی، اقتصادی و احساسی) رویکردی نوآورانه به بهینه‌سازی پرتفوی ارایه می‌دهد. برخلاف روش‌های سنتی، این مدل ترکیبی امکان ارزیابی جامع‌تری از عملکرد سهام در بورس اوراق بهادار تهران فراهم می‌سازد و افق جدیدی برای تصمیم‌گیری هوشمند سرمایه‌گذاری در بازارهای نوظهور می‌گشاید.

کلمات کلیدی:

تحلیل پوششی داده ها، بهینه سازی پرتفوی، یادگیری ماشین، منابع داده چندگانه

مراجع

  1. [1] Markowitz, H. (2009). Portfolio selection. In Harry markowitz: Selected works (pp. 15–30). https://doi.org/10.2307/2975974
  2. [2] Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77–91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
  3. [3] Keynes, J. M., Johnson, E., Moggridge, D. (1983). Keynes as an investor. In The collected writings of john maynard keynes (pp. 106–123). https://b2n.ir/rq4766
  4. [4] Uppal, R., & Wang, T. (2003). Model misspecification and underdiversification. The journal of finance, 58(6), 2465–2486. https://doi.org/10.1046/j.1540-6261.2003.00612.x
  5. [5] Boyle, P., Garlappi, L., Uppal, R., & Wang, T. (2011). Keynes meets markowitz: The trade-off between familiarity and diversification. Management science, 58(2), 253–272. https://doi.org/10.1287/mnsc.1110.1349
  6. [6] Liu, H. (2014). Solvency constraint, underdiversification, and idiosyncratic risks. Journal of financial and quantitative analysis, 49(2), 409–430. https://doi.org/10.1017/S0022109014000271
  7. [7] Guidolin, M., & Liu, H. (2016). Ambiguity aversion and underdiversification. Journal of financial and quantitative analysis, 51(4), 1297–1323. https://doi.org/10.1017/S0022109016000466
  8. [8] Florentsen, B., Nielsson, U., Raahauge, P., & Rangvid, J. (2019). The aggregate cost of equity underdiversification. Financial review, 54(4), 833–856. https://doi.org/10.1111/fire.12212
  9. [9] Amiri, M., Darestani Farahani, A., & Mahboob-Ghodsi, M. (2017). Multi-criteria decision making. Second edition. , Kian University Press.
  10. [10] Edirisinghe, N. C. P., & Zhang, X. (2007). Generalized DEA model of fundamental analysis and its application to portfolio optimization. Journal of banking & finance, 31(11), 3311–3335. https://doi.org/10.1016/j.jbankfin.2007.04.008
  11. [11] Chen, H. (2008). Stock selection using data envelopment analysis. Industrial management & data systems, 108(9), 1255–1268. https://doi.org/10.1108/02635570810914928
  12. [12] Škrinjarić, T. (2014). Investment strategy on the Zagreb stock exchange based on dynamic DEA. Croatian economic survey, 16(1), 129–160. https://doi.org/10.15179/ces.16.1.5
  13. [13] Huang, C. Y., Chiou, C. C., Wu, T. H., & Yang, S. C. (2015). An integrated DEA-MODM methodology for portfolio optimization. Operational research, 15(1), 115–136. https://doi.org/10.1007/s12351-014-0164-7
  14. [14] Gardijan, M., & Škrinjarić, T. (2015). Equity portfolio optimization: A DEA based methodology applied to the Zagreb Stock Exchange. Croatian operational research review, 6(2), 405–417. https://doi.org/10.17535/crorr.2015.0031
  15. [15] Weng, B., Ahmed, M. A., & Megahed, F. M. (2017). Stock market one-day ahead movement prediction using disparate data sources. Expert systems with applications, 79, 153–163. https://doi.org/10.1016/j.eswa.2017.02.041
  16. [16] Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The north american journal of economics and finance, 47, 552–567. https://doi.org/10.1016/j.najef.2018.06.013
  17. [17] Mohammadi, S. (2004). Technical analysis on the Tehran stock exchange. Financial research, 6(1), 97–129. https://dor.isc.ac/dor/20.1001.1.10248153.1383.6.1.5.5
  18. [18] Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data. Journal of the royal statistical society: series c (Applied statistics), 29(2), 119–127. https://doi.org/10.2307/2986296
  19. [19] Branda, M. (2015). Diversification-consistent data envelopment analysis based on directional-distance measures. Omega, 52, 65–76. https://doi.org/10.1016/j.omega.2014.11.004
  20. [20] Choi, H.-S., & Min, D. (2017). Efficiency of well-diversified portfolios: Evidence from data envelopment analysis. Omega, 73, 104–113. https://doi.org/10.1016/j.omega.2016.12.008
  21. [21] Lin, R., & Li, Z. (2020). Directional distance based diversification super-efficiency DEA models for mutual funds. Omega, 97, 102096. https://doi.org/10.1016/j.omega.2019.08.003
  22. [22] Xiao, H., Ren, T., & Ren, T. (2020). Estimation of fuzzy portfolio efficiency via an improved DEA approach. INFOR: Information systems and operational research, 58(3), 478–510. https://doi.org/10.1080/03155986.2020.1734904
  23. [23] Liu, W., Zhou, Z., Liu, D., & Xiao, H. (2015). Estimation of portfolio efficiency via DEA. Omega, 52, 107–118. https://doi.org/10.1016/j.omega.2014.11.006
  24. [24] Zhou, Z., Jin, Q., Xiao, H., Wu, Q., & Liu, W. (2018). Estimation of cardinality constrained portfolio efficiency via segmented DEA. Omega, 76, 28–37. https://doi.org/10.1016/j.omega.2017.03.006
  25. [25] Hosseinzadeh Lotfi, F., Jahanshahlo, G., & Nikoumaram., H. (2011). Data envelopment analysis and its applications. Islamic Azad University, science and research branch, Nafis works. (In Persian). https://b2n.ir/bt2998
  26. [26] Kerstens, K., Mounir, A., & de Woestyne, I. Van. (2011). Non-parametric frontier estimates of mutual fund performance using C- and L-moments: Some specification tests. Journal of banking & finance, 35(5), 1190–1201. https://doi.org/10.1016/j.jbankfin.2010.09.030
  27. [27] Lamb, J. D., & Tee, K.-H. (2012). Data envelopment analysis models of investment funds. European journal of operational research, 216(3), 687–696. https://doi.org/10.1016/j.ejor.2011.08.019
  28. [28] Michaud, R. O. (1989). The Markowitz optimization enigma: Is ‘Optimized’ optimal? Financial analysts journal, 45(1), 31–42. https://doi.org/10.2469/faj.v45.n1.31
  29. [29] DeMiguel, V., Garlappi, L., & Uppal, R. (2009). Optimal versus naive diversification: How inefficient is the 1/N portfolio strategy? The review of financial studies, 22(5), 1915–1953. https://doi.org/10.1093/rfs/hhm075
  30. [30] Tu, J., & Zhou, G. (2011). Markowitz meets Talmud: A combination of sophisticated and naive diversification strategies. Journal of financial economics, 99(1), 204–215. https://doi.org/10.1016/j.jfineco.2010.08.013
  31. [31] Beale, E. M. L., & Forrest, J. J. H. (1976). Global optimization using special ordered sets. Mathematical programming, 10(1), 52–69. https://doi.org/10.1007/BF01580653

دانلود

چاپ شده

2025-04-21

شماره

دوره 3 شماره 2 (1404): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

سرمدی م., نجفی س. ا., & عدالت‌پناه س. ا. (2025). بهینه‌سازی پرتفوی با استفاده از ادغام تحلیل پوششی داده‌ها با منابع داده چندگانه با رویکرد یادگیری ماشین در بورس اوراق بهادار تهران. علوم مدیریت و تحلیل تصمیم , 3(2), 108-123. https://doi.org/10.22105/msda.v3i2.60
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.