| نوع مدرک: | متون چاپی |
| سرشناسه | پورحاجی ، محیا، نویسنده |
| شماره بازیابی : | IEOS 19 1404 |
| عنوان : | بررسی مقایسهای رویکردهای استوارسازی سبد سهام با تاکید بر الگوریتم های یادگیری ماشین در شرایط عدم قطعیت |
| عنوان موازی : | A Comparative Study of Portfolio Stabilization Approaches with Emphasis on Machine Learning Algorithms in Uncertainty |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1404 |
| صفحه شمار: | 79ص |
| شابک/شاپا | 26116 |
| یادداشت | پایان نامه کارشناسی ارشد: رشته صنایع گرایش بهینه سازی سیستم ها |
| شناسه افزوده : | شیرنشان ، هاجر، استاد راهنما علوی ، سمیه، استاد مشاور |
| توصیفگرها | بهینهسازی سبد سهام، استوارسازی، عدم قطعیت،یادگیری ماشین، ، بورس اوراق بهادار تهران Portfolio optimization, robustness, machine learning, uncertainty, Tehran Stock Exchange |
| چکیده : | بازارهای مالی، به ویژه بازارهای سهام، به دلیل نوسانات و عدم قطعیت ذاتی خود، همواره چالشی اساسی برای سرمایهگذاران محسوب میشوند. تشکیل سبد سهام بهینه، یکی از راهبردهای کلیدی برای مدیریت ریسک و افزایش بازده است، اما مدلهای کلاسیک بهینهسازی سبد سهام، اغلب در مواجهه با این شرایط، کارایی خود را از دست میدهند. پژوهش حاضر با هدف بررسی مقایسهای رویکردهای استوارسازی سبد سهام، با تأکید بر الگوریتمهای یادگیری ماشین در شرایط عدم قطعیت، انجام شده است. این پژوهش از نظر ماهیت، توصیفی-تحلیلی با رویکرد کمی بوده و از دادههای سری زمانی قیمت سهام شرکتهای شبندر، وساپا و فولاد در بورس اوراق بهادار تهران برای دوره تیر ماه 1399 (22 روز معاملاتی) استفاده شده است. پس از پاکسازی و پیشپردازش دادهها، الگوریتمهای یادگیری ماشین(شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم) پیشبینی بازده روزانه و مدل گارچ(1،1) برای پیشبینی ریسک به کار گرفته شدند. سپس، مدلهای استوارسازی (مبتنی بر سناریو و مقاوم) به صورت جداگانه و در ترکیب با پیشبینیهای یادگیری ماشین در محیط پایتون پیادهسازی و بهینهسازی شدند. نتایج نشان داد که الگوریتم شبکه عصبی مصنوعی بهترین عملکرد را در پیشبینی بازده داشت و رویکردهای استوارسازی به تنهایی، ریسک کمتری را ارائه دادند. اما ادغام شبکه عصبی مصنوعی با رویکردهای استوارسازی، منجر به بهبود قابل توجهی در عملکرد سبد سهام شد. به ویژه، رویکرد استوارسازی مقاوم + شبکه عصبی مصنوعی با نسبت شارپ 1.93 و کمترین حداکثر افت سرمایه (5.0- درصد)، بهترین توازن بین بازده و ریسک را در شرایط عدم قطعیت برقرار کرد. یافتههای پژوهش نشان میدهند که این رویکرد ترکیبی، توانایی بالایی در مدیریت ریسک و افزایش بازده در بازارهای مالی پرنوسان دارد و به عنوان یک راهبرد عملی برای سرمایهگذاران توصیه میشود |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=14952 |
| زبان مدرک : | فارسی |
بررسی مقایسهای رویکردهای استوارسازی سبد سهام با تاکید بر الگوریتم های یادگیری ماشین در شرایط عدم قطعیت (1404) / پورحاجی ، محیا، نویسنده