بهینه‌سازی سبد سرمایه‌گذاری به کمک پیش‌بینی‌ بازده مورد انتظار با استفاده از روش‌های شبکه عصبی LSTM، جنگل تصادفی و ARIMA

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی صنایع، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 استادیار، گروه مهندسی صنایع، دانشگاه علم وصنعت، تهران، ایران

10.48308/jfmp.2024.104191

چکیده

در جهان امروز اهمیت مدل‌های بهینه‌سازی سبد سرمایه‌گذاری به صورت فزاینده‌ای مورد توجه قرار گرفته است. هرچند پیش‌بینی‌ بازده مورد انتظار گزینه‌های سرمایه‌گذاری و در نظر گرفتن آن‌ها‌ در تابع هدف بیشینه‌سازی سود امری رایج است لیکن مهم‌ترین نوآوری پژوهش جاری کمینه‌سازی خطای پیش‌بینی به عنوان تابع هدف است. این نوآوری به سرمایه‌گذاران توصیه می‌کند که در تشکیل سبد سرمایه‌گذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیش‌بینی بودن گزینه‌های سرمایه‌گذاری نیز تاکید گردد. ادغام پیش‌بینی بازده مدل‌های سری زمانی سنتی در تشکیل پورتفولیو می‌تواند عملکرد مدل بهینه‌سازی سبد اصلی را بهبود بخشد. از آنجایی که مدل‌های یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدل‌های سری زمانی نشان داده‌اند، این مقاله پیش‌بینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظه‌ی کوتاه‌مدت طولانی ترکیب می‌کند. به منظور ارزیابی عملکرد مدل پیشنهادی، داده‌های تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان می‌دهد که مدل‌های بهینه‌سازی میانگین واریانس با پیش‌بینی بازدهی به‌وسیله جنگل تصادفی ، بهتر عمل می‌کنند.

کلیدواژه‌ها

عنوان مقاله [English]

Portfolio optimization with return prediction using LSTM, Random forest, and ARIMA

نویسندگان [English]

  • Amirali Eghtesad 1
  • ٍEmran Mohammadi 2
1 M.A. Student in Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Assistant Prof., Department of Industrial Engineering, University of Science and Technology, Tehran, Iran
چکیده [English]

In today's world, optimizing investment portfolios has received increasing attention. While predicting the expected returns of investment options and incorporating them into the objective function for profit maximization is a common practice, the most significant innovation in current research is the minimization of prediction error as the objective function. This innovation advises investors to emphasize not only on profit and risk but also on the predictability of investment options when forming an investment portfolio. Integrating return prediction from traditional time series models into portfolio formation can enhance the performance of the primary portfolio optimization model. Since machine learning and deep learning models have demonstrated a significant superiority over time series models, this paper combines return prediction in portfolio formation with machine learning models, namely Random Forest, and deep learning model, Long Short-Term Memory (LSTM). To evaluate the performance of the proposed model, five years of historical data from 2017 to 2021 are used for five industry sectors: banking, automotive, pharmaceutical, metal, and petroleum. The experimental results demonstrate that the mean-variance optimization models perform better when return prediction is done using Random Forest

کلیدواژه‌ها [English]

  • Portfolio optimization
  • Machine learning
  • Deep learning
  • Prediction error
  • Financial risk measure

مراجع

  1. Abdi, N., Moradzadeh Fard, M., Ahmadzadeh, H., & Khoddam, M. 2021. “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). ـ.” Journal of Financial Management Perspective, 11(36), 119-143. (in Persian)
  2. Alizadeh, Meysam, Roy Rada, Fariborz Jolai, and Elnaz Fotoohi. 2011. “An Adaptive Neuro-Fuzzy System for Stock Portfolio Analysis.” International Journal of Intelligent Systems 26(2):99–114. doi: 10.1002/INT.20456.
  3. Assimakopoulos, Spyros, Evangelos Makridakis, and Vassilios Spiliotis. 2018. “Statistical and Machine Learning Forecasting Methods: Concerns and Ways Forward.” PLoS ONE 13:26.
  4. Azar, Adel, Amir Afsar, and Parviz Ahmadi. 2007. “Comparison of Classical Methods and Artificial Intelligence in Predicting the Stock Price Index and Designing a Hybrid Model.” Lecturer of Humanities.
  5. Box, G.E.P. and Jenkins, G. M. 1976. "Time Series Analysis: Forecasting and Control". Holden Day, San Francisco. (1970).
  6. Chong, Eunsuk, Chulwoo Han, and Frank C. Park. 2017. “Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, and Case Studies.” Expert Systems with Applications 83:187–205. doi: 10.1016/j.eswa.2017.04.030.
  7. Deng, Shijie, and Xinyu Min. 2013. “Applied Optimization in Global Efficient Portfolio Construction Using Earning Forecasts.” The Journal of Investing 22(4):104–14. doi: 10.3905/JOI.2013.22.4.104.
  8. Fischer, Thomas, and Christopher Krauss. 2018. “Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions.” European Journal of Operational Research 270(2):654–69. doi: 10.1016/j.ejor.2017.11.054.
  9. Heydari Zare, Behzad, and Hamidreza Kordloui. 2011. “Stock Price Prediction Using Artificial Neural Network.” Journal of Industrial Strategic Management 7(17). (in Persian)
  10. Ho, Tin Kam. 1995. “Random Decision Forests.” Proceedings of the International Conference on Document Analysis and Recognition, ICDAR 1:278–82. doi: 10.1109/ICDAR.1995.598994.
  11. Huang, Chien Feng. 2012. “A Hybrid Stock Selection Model Using Genetic Algorithms and Support Vector Regression.” Applied Soft Computing 12(2):807–18. doi: 10.1016/J.ASOC.2011.10.009.
  12. Kingma, Diederik P., and Jimmy Lei Ba. 2015. “Adam: A Method for Stochastic Optimization.” in 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings.
  13. Lee, Sang Il, and Seong Joon Yoo. 2018. “Threshold-Based Portfolio: The Role of the Threshold and Its Applications.” The Journal of Supercomputing 2018 76:10 76(10):8040–57. doi: 10.1007/S11227-018-2577-1.
  14. Markowitz, Harry. 1952. “PORTFOLIO SELECTION.” The Journal of Finance 7(1):77–91. doi: 10.1111/J.1540-6261.1952.TB01525.X.
  15. Mohebbi, Somayeh, Mohamad Esmaeil Fadaeinejad, and Mohammad reza Hamidizadeh. 2021. “The Proposed Algorithm to Select Appropriate Features for Predicting Tehran Stock Exchange Index.” Journal of Financial Management Perspective 11(34):35–67. doi: 10.52547/jfmp.11.34.35. (in Persian)
  16. Oussar, Yacine, and Gérard Dreyfus. 2000. “Initialization by Selection for Wavelet Network Training.” Neurocomputing 34(1–4):131–43. doi: 10.1016/S0925-2312(00)00295-2.
  17. Reza, Rai. 2003. “Stock Portfolio Formation for the Venture Capitalist Comparing Neural Network and Markowitz.” Business Management Perspective (2):77-. (in Persian)
  18. Soleymani Sarvestani, Sajad, Sayyed Mohammad Reza davoodi, and Ali Kheradmand. 2022. “Optimal Daily scalping trading portfolio based on interval-valued prediction with ANN approach.” Journal of Financial Managment Perspective 12(39):103–20. doi: 10.52547/jfmp.12.39.103. (in Persian)
  19. Ta, Van Dai, Chuan Ming Liu, and Direselign Addis Tadesse. 2020. “Portfolio Optimization-Based Stock Prediction Using Long-Short Term Memory Network in Quantitative Trading.” Applied Sciences (Switzerland) 10(2).
  20. Ustun, Ozden, and Refail Kasimbeyli. 2012. “Combined Forecasts in Portfolio Optimization: A Generalized Approach.” Computers & Operations Research 39(4):805–19. doi: 10.1016/J.COR.2010.09.008.
  21. Wang, Wuyu, Weizi Li, Ning Zhang, and Kecheng Liu. 2020. “Portfolio Formation with Preselection Using Deep Learning from Long-Term Financial Data.” Expert Systems with Applications 143:113042. doi: 10.1016/j.eswa.2019.113042.
  22. Yu, Jing Rung, Wan Jiun Paul Chiou, Wen Yi Lee, and Shun Ji Lin. 2020. “Portfolio Models with Return Forecasting and Transaction Costs.” International Review of Economics and Finance 66:118–30.

 

 

چشم انداز مدیریت مالی
دوره 13، شماره 43
1402
صفحه 9-28

فایل ها

هم رسانی

ارجاع به این مقاله

آمار