چشم انداز مدیریت مالی

چشم انداز مدیریت مالی

ارائه مدل ترکیبی بهینه‌سازی سبد سهام براساس پیش‌بینی قیمت با شبکه عصبی بازگشتی LSTM به کمک محدودیت‌های کاردینالیتی و روش‌های تصمیم‌گیری چندمعیاره (مطالعه موردی بورس اوراق بهادار تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان
نسیمه عبدی 1
مهدی مرادزاده فرد 2
حمید احمدزاده 3
محمود خدام 4
1 دانشجوی دکتری مهندسی مالی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
2 دانشیار، گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
3 استادیار، گروه حسابداری، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
4 استادیار، گروه مدیریت، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.
10.52547/JFMP.11.36.119
چکیده
پیش‌بینی قیمت سهام به دلیل ماهیت نوسانی بازار و پویایی روند حرکت قیمت، نقش مهمی در ایجاد یک استراتژی کارآمد با بازدهی بالا دارد، همچنین نتایج حاصل از پیش‌بینی، پیش‌نیاز ایجاد سبد سهام با ساختاری بهینه است. لذا هدف از انجام این پژوهش ارائه مدلی ترکیبی است تا به سرمایه‌گذاران در انتخاب سبد سهام بهینه کمک نماید. بنابراین، با استفاده از فرآیند تحلیل سلسله مراتبی بهبود‌یافته از میان صنایع فعال در بورس اوراق بهادار تهران، ده صنعت برتر براساس معیارهای مؤثر بر ارزش صنایع انتخاب می‌شوند. سپس با کمک شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار قیمت سهام شرکت‌های فعال طی بازه زمانی ابتدای خرداد 1395 تا ابتدای خرداد 1400، در افق‌های زمانی مورد نظر، پیش‌بینی می‌گردد. در گام بعد با روش راه‌حل سازشی ترکیبی، سه سبد سهام با افق زمانی کوتاه‌مدت، میان‌مدت و بلند‌مدت انتخاب می‌شود و در نهایت براساس مدل دارایی محدود مارکویتز با استفاده از روش برنامه‌ریزی غیرخطی عدد صحیح مختلط با الگوریتم شاخه و برش، اوزان بهینه مشخص و مرز کارا رسم می‌گردد. نتایج پژوهش نشان می‌دهد، مدل ارائه شده، بازدهی بیشتری را باتوجه به ریسک در تشکیل سبدهای سهام با افق‌های زمانی مشخص نسبت به روش‌های سنتی نصیب سرمایه‌گذاران می‌نماید.
کلیدواژه‌ها
پیش‌بینی قیمت
شبکه عصبی بازگشتی حافظه کوتاه-مدت ماندگار
فرآیند تحلیل سلسله مراتبی بهبودیافته
راه‌حل سازشی ترکیبی
محدودیت‌های کاردینالیتی

عنوان مقاله English

A Hybrid Model for Portfolio Optimization Based on Stock Price Forecasting with LSTM Recurrent Neural Network using Cardinality Constraints and Multi-Criteria Decision Making Methods (Case study of Tehran Stock Exchange)

نویسندگان English

Nasimeh Abdi 1
mehdi Moradzadeh Fard 2
Hamid Ahmadzadeh 3
Mahmoud Khoddam 4
1 Ph.D. Candidate in Financial Engineering, Department of Management, Karaj Branch, Islamic Azad University, Karaj, Iran.
2 Associate Prof, Department of Accounting, Karaj Branch, Islamic Azad University, Karaj, Iran.
3 *** Assistant prof, Department of Accounting, Karaj Branch, Islamic Azad University, Karaj, Iran.
4 Assistant prof, Department of Management, Karaj Branch, Islamic Azad University, Karaj, Iran.
چکیده English

Due to the dynamic trend of stock prices and the volatile nature of the market, asset price forecasting plays a key role in creating an efficient strategy, and the results of price forecasting are a prerequisite for creating an optimal stock portfolio. The purpose of this study is to provide a hybrid model to help investors in selecting the optimal portfolio. Therefore, ten top industries have been selected among the active industries of the Tehran Stock Exchange using IAHP method, Then, the stock price of companies listed on the Tehran Stock Exchange from 2016 to 2021 are forecast at the considered time horizons using LSTM. In the next step, three portfolios with different time horizons are selected by using the CoCoSo method, and finally, optimal weights have been determined and an efficient frontier has been drawn using Mixed-Integer Quadratic Program and Branch and Cut Algorithm based on LAM Model. According to the results of this research, the proposed model gives higher returns to investors due to the risk of constituting portfolios with specified time horizons in contrast to traditional approaches

کلیدواژه‌ها English

Price Forecasting
LSTM
IAHP
CoCoSo
Cardinality Constraint
  1. Babaei, S., Sepehri, M. M., & Babaei, E. (2015). Multi-objective portfolio optimization considering the dependence structure of asset returns. European Journal of Operational Research, 244(2), 525-539.
  2. Bertsimas, D., & Kallus, N. (2020). From predictive to prescriptive analytics. Management Science, 66(3), 1025-1044.
  3. Berutich, J. M., López, F., Luna, F., & Quintana, D. (2016). Robust technical trading strategies using GP for algorithmic portfolio selection. Expert Systems with Applications, 46, 307-315.
  4. Bolster, P., & Warrick, S. (2008). Matching Investors with Suitable, Optimal and Investable Portfolios. The Journal of Wealth Management, 10(4), 53.
  5. Cardoso, R. T., Barroso, B. C., de Oliveira, M. d. S., & Paiva, F. D. (2019). Analysis of risk measures in multiobjective optimization portfolios with cardinality constraint. Revista Brasileira de Finanças, 17(3), 26-46.
  6. Cesarone, F., Scozzari, \A., & Tardella, F. (2011). Portfolio selection problems in practice: a comparison between linear and quadratic optimization models. arXiv preprint arXiv:1105.3594.
  7. Chen, C., & Zhou, Y.-s. (2018). Robust multiobjective portfolio with higher moments. Expert Systems with Applications, 100, 165-181.
  8. Chen, L., Qiao, Z., Wang, M., Wang, C., Du, R., & Stanley, H. E. (2018). Which Artificial Intelligence Algorithm Better Predicts the Chinese Stock Market? IEEE Access, 6, 48625-48633.
  9. Deng, G.-F., Lin, W.-T., & Lo, C.-C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
  10. Dewan, A., & Sharma, M. (2015). Prediction of heart disease using a hybrid technique in data mining classification. 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom), 704-706.
  11. Fernández, A., & Gómez, S. (2007). Portfolio selection using neural networks. Computers & Operations Research, 34(4), 1177-1191.

Freitas, F. D., De Souza, A. F., & de Almeida, A. R. (2009). Prediction-based 12. portfolio optimization model using neural networks. Neurocomputing, 72(10), 2155-2170.

  1. H.Markowitz.(1952).Portfolio selection. The Journal of Finance,7(1),77-91.
  2. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-term Memory. Neural computation, 9, 1735-1780.
  3. Kaczmarek, T., & Perez, K. (2021). Building portfolios based on machine learning predictions. Economic Research-Ekonomska Istraživanja, 1-19.
  4. Kannan, R., Bayraksan, G., & Luedtke, J. R. (2020). Data-driven sample average approximation with covariate information. Optimization Online. URL: http://www. optimization-online. org/DB HTML/2020/07/7932. html.
  5. Krause, A. (2001). An Overview of Asset Pricing Models. University of Bath School of Management, UK.
  6. Lai, H., Liao, H., Wen, Z., Zavadskas, E. K., & Al-Barakati, A. (2020). An Improved CoCoSo Method with a Maximum Variance Optimization Model for Cloud Service Provider Selection. Engineering Economics, 31(4), 411-424.
  7. Ledoit, O., & Wolf, M. (2017). Nonlinear Shrinkage of the Covariance Matrix for Portfolio Selection: Markowitz Meets Goldilocks. The Review of Financial Studies, 30(12), 4349-4388.
  8. Li, F., Phoon, K. K., Du, X., & Zhang, M. (2013). Improved AHP method and its application in risk identification. Journal of Construction Engineering and Management, 139(3), 312-320.
  9. Mansini, R., Ogryczak, W. o., Speranza, M. G., & Societies, E. T. A. o. E. O. R. (2015). Linear and mixed integer programming for portfolio optimization. Springer.
  10. Maringer, D. G. (2006). Portfolio management with heuristic optimization (Vol. 8). Springer Science & Business Media.
  11. Meziani, A. S. (2003). Assessing the Effect of Investment Barriers on International Capital Flows Using an Expert‐Driven System. Multinational Business Review.
  12. Mirabi, M., & Zarei Mahmoudabadi, M. (2020). Optimization Portfolio Selection in Risk Situations with Combined Meta-Heuristic Algorithm of Genetic Algorithm (GA) and Lion Optimization Algorithm (LOA). Journal of Financial Management Perspective, 10(32), 33-56. (In Persian)
  13. Miralavi, S. H., & Pourzamani, Z. (2019). Providing a model for predicting stock prices using ultra-innovative neural networks. (In Persian)
  14. Mitchell, J. E. (2002). Branch-and-cut algorithms for combinatorial optimization problems. Handbook of applied optimization, 1, 65-77.
  15. Mohebbi, S., Fadaienejad, M. E., & Hamidizadeh, M. R. (2021). The Proposed Algorithm to Select Appropriate Features for Predicting Tehran Stock Exchange Index. Journal of Financial Management Perspective. (In Persian)
  16. Nelson, D. M., Pereira, A. C., & de Oliveira, R. A. (2017). Stock market's price movement prediction with LSTM neural networks. 2017 International joint conference on neural networks (IJCNN),
  17. Nikoo, S. F., Shams, S., & Seyghali, M. (2020). Modeling of Optimal Stock portfolio Optimization Based on Risk Assessment and Behavioral Financial Approach (Mental Accounting) in Tehran Stock Exchange. Journal of Financial Management Perspective, 10(31), 75-101. (In Persian)
  18. Pai, G. A. V. (2017). Fuzzy Decision Theory Based Metaheuristic Portfolio Optimization and Active Rebalancing Using Interval Type-2 Fuzzy Sets. IEEE Transactions on Fuzzy Systems, 25(2), 377-391.
  19. Peng, X., & Luo, Z. (2021). Decision-making model for China’s stock market bubble warning: the CoCoSo with picture fuzzy information. Artificial Intelligence Review, 1-23.
  20. Saborido, R., Ruiz, A. B., Bermúdez, J. D., Vercher, E., & Luque, M. (2016). Evolutionary multi-objective optimization algorithms for fuzzy portfolio selection. Applied Soft Computing, 39, 48-63.
  21. Shajun Nisha, S., Mohamed Sathik, M., & Nagoor Meeral, M. (2021). 3 - Application, algorithm, tools directly related to deep learning. In V. E. Balas, B. K. Mishra, & R. Kumar (Eds.), Handbook of Deep Learning in Biomedical Engineering (pp. 61-84). Academic Press.
  22. Sivam, S., & Rajendran, R. (2020). On the Modelling of Integrated AHP and CoCoSo Approach for Robust Design of Multi-objective Optimization of thinning Parameters for Maximum thinning Rate and Determine Optimum Locations for Directionally-rolled Deep-drawn Cups using Scaling Laws.
  23. Yazdani, M., Mohammed, A., Bai, C., & Labib, A. (2021). A novel hesitant-fuzzy-based group decision approach for outsourcing risk. Expert Systems with Applications, 184, 115517.
  24. Yazdani, M., Zarate, P., Kazimieras Zavadskas, E., & Turskis, Z. (2019). A combined compromise solution (CoCoSo) method for multi-criteria decision-making problems. Management Decision, 57(9), 2501-2519.
  25. Bienstock, D. (1996). Computational study of a family of mixed-integer quadratic programming problems. Mathematical Programming, 74, 121–140.
چشم انداز مدیریت مالی
دوره 11، شماره 36
زمستان 1400
صفحه 119-143