انتخاب سهم و بهینه سازی سبد سهام با استفاده از مدل های یادگیری ماشین و یادگیری عمیق در بورس اوراق بهادار تهران [پايان نامه فارسي]
مهدی شاهرخ پور
| شناسگر رکورد: | ۵۱۹۷۵ |
| رشته تحصیلی: | سیستم های مالی |
| عنوان: | انتخاب سهم و بهینه سازی سبد سهام با استفاده از مدل های یادگیری ماشین و یادگیری عمیق در بورس اوراق بهادار تهران |
| نويسنده: | مهدی شاهرخ پور |
| استاد راهنما : | دکتر علیرضا شامخی امیری |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۳ |
| چکیده: | پیش‌بینی بازار سهام و بهینه‌سازی پرتفوی از جمله مباحث کلیدی در حوزه مالی و سرمایه‌گذاری هستند که تأثیر قابل توجهی بر تصمیمات سرمایه‌گذاران دارند. پیش‌بینی بازار سهام به فرایند تخمین قیمت‌های آتی سهام و روندهای بازار اطلاق می‌شود، در حالی که بهینه‌سازی پرتفوی به انتخاب ترکیب مناسبی از دارایی‌ها به منظور افزایش بازده و کاهش ریسک اشاره دارد. با این حال، این حوزه با چالش‌های متعددی مواجه است. نوسانات غیرقابل پیش‌بینی بازار، تأثیر عوامل اقتصادی و سیاسی و عدم قطعیت در اطلاعات موجود، از جمله مشکلاتی هستند که تحلیلگران و سرمایه‌گذاران با آنها روبرو هستند. در این راستا، روش‌های پیشرفته یادگیری عمیق به خصوص شبکه عصبی حافظه کوتاه مدت طولانی به عنوان ابزارهایی مؤثر در تحلیل و پیش‌بینی رفتار بازار سهام معرفی شده‌اند. این مدل‌ها به دلیل قابلیت پردازش و تحلیل داده‌های زمانی، به‌خصوص در شناسایی الگوهای پیچیده، کارایی بالایی از خود نشان داده‌اند. هدف اصلی این پژوهش، پیش‌بینی بازار سهام با بهره‌گیری از مدل پیشرفته شبکه عصبی حافظه کوتاه مدت طولانی است که به‌عنوان یکی از مدل‌های قدرتمند یادگیری عمیق در تحلیل سری‌های زمانی شناخته می‌شود. در این پیاده‌سازی از داده‌های بورس و فرابورس استفاده شده است. پژوهش حاضر همچنین به بررسی و مقایسه بهینه‌سازی پرتفوی سرمایه‌گذاری می‌پردازد. برای این منظور، سه رویکرد متفاوت در طراحی و مدیریت پرتفوی بررسی شده‌اند. این روش‌ها، روش هم‌وزن، روش وزن‌دار با وزن‌دهی ارزش بازار و روش وزن‌دار با وزن‌دهی مدل شبکه عصبی حافظه کوتاه مدت طولانی هستند. بر اساس نتایج، مدل حافظه کوتاه مدت طولانی توانسته است پیش‌بینی دقیق‌تری برای سهام قجام ارائه دهد و عملکرد بهتری برای این سهم داشته باشد. همچنین، پس از چیدمان سه نوع سبد سهام پیشنهادی، میزان سود تجمعی حاصل از آنها با یکدیگر مقایسه گردید. نتایج حاکی از آن است که سبد سهام مبتنی بر مدل حافظه کوتاه مدت طولانی سود بیشتری را برای سرمایه‌گذار فراهم می‌کند. بهینه‌سازی سبد سهام می‌تواند به کاهش ریسک و افزایش بازده سرمایه‌گذاری کمک کند و به سرمایه‌گذاران این امکان را می‌دهد که به‌طور مؤثرتری از فرصت‌های بازار بهره‌برداری کنند. این فرآیند به انتخاب بهترین ترکیب دارایی کمک می‌کند و در نهایت، سبب بهبود عملکرد اقتصادی سرمایه‌گذاران می‌شود. |
| واژگان کلیدی: | پیش‌بینی بازار سهام، بهینه‌سازی پرتفوی، یادگیری عمیق، حافظه کوتاه مدت طولانی (LSTM) |
| شماره ثبت | نسخه | جلد | بخش | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|
| 284742 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید