مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

یک چارچوب دو مرحله‌ای برای بهینه‌سازی سبد سهام: پیش‌انتخاب هوشمند سهام با استفاده از ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسنده
ابراهیم نصیرالاسلامی
استادیار گروه آمار دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران.
bumara.3.2.15564.35879847070
چکیده
این پژوهش به بررسی کارایی مدل ماشین بردار پشتیبان در بهینه‌سازی سبد سهام در بورس اوراق بهادار تهران می‌پردازد. مدل ماشین بردار پشتیبان برای تشکیل یک سبد بر اساس داده‌های فرکانس بالا و عملکرد تعدیل شده با ریسک آن با بازده یک سبد آماری پیش‌بینی‌شده توسط سرمایه مقایسه اقدام به انتخاب سبد سهام می کند. این الگو با رویکرد یادگیری با نظارت در حل مسائل رده بندی و رگرسیون مورد استفاده قرار می گیرد. این پژوهش از جنس پژوهش های کاربردی است که بر اساس داده های تاریخی اقدام به تحلیل و مدلسازی و نتیجه گیری از شواهد تجربی می کند. جامعه آماری اطلاعات مالی و معاملاتی شرکت های بورس اوراق بهادار تهران می باشد. نمونه آماری با کمک ماشین بردار پشتتیبان شامل سبد انتخابی با حجم ۱۰۰ شرکت از بین ۳۸۷ شرکت فعال در تالار بورس بین دوره زمانی ۱۴۰۰ تا ۱۴۰۱ می باشد. که داده ها بر حسب آماده سازی شامل دوره های روزانه، ماهانه و سالانه است. مدل SVM به عنوان یک ابزار کارآمد در پیش‌بینی بازدهی و مدیریت ریسک سبد سهام، می‌تواند جایگزین مناسبی برای مدل‌های سنتی مانند CAPM باشد. این مدل قابلیت تفسیر بهتر نتایج و دقت بالاتری در پیش‌بینی بازدهی سهام دارد. نتایج نشان داد سبد تشکیل‌شده با SVM با میانگین بازدهی ۳/۳ درصد و انحراف معیار ۲/۱ درصد، عملکرد به‌مراتب بهتری نسبت به سبد مبتنی بر مدل سنتی CAPM با میانگین بازدهی ۱- درصد و انحراف معیار ۵/۵ درصد دارد. نسبت شارپ در مدل SVM به‌طور معناداری بالاتر بود که نشان‌دهنده کارایی بالاتر این مدل در مدیریت سبد سهام است.
کلیدواژه‌ها
بهینه‌سازی سبد سهام
ماشین بردار پشتیبان
مدل CAPM
بورس تهران
پیش‌بینی بازدهی

عنوان مقاله English

A Two-Stage Framework for Portfolio Optimization: Intelligent Stock Pre-Selection Using Support Vector Machine

نویسنده English

Ebrahim Nasirel-Islami
Assistant Professor, Department of Statistics, Faculty of Basic Sciences, Bu-Ali Sina University, Hamadan, Iran.
چکیده English

This study investigates the effectiveness of the support vector machine model in portfolio optimization in the Tehran Stock Exchange. The support vector machine model selects a portfolio based on high-frequency data and its risk-adjusted performance with the return of a statistical portfolio predicted by the comparison capital. This model is used in solving classification and regression problems with a supervised learning approach. This research is an applied research that analyzes and models and draws conclusions from empirical evidence based on historical data. The statistical population is the financial and trading information of companies on the Tehran Stock Exchange. The statistical sample with the help of the support vector machine includes a selected portfolio with a volume of 100 companies from 387 companies active in the stock market between the period 1400 and 1401. The data in terms of preparation includes daily, monthly and annual periods. The SVM model, as an efficient tool in predicting returns and managing portfolio risk, can be a suitable alternative to traditional models such as CAPM. This model has the ability to better interpret results and higher accuracy in predicting stock returns. The results showed that the portfolio formed with SVM with an average return of 3.3 percent and a standard deviation of 1.2 percent, has a much better performance than the portfolio based on the traditional CAPM model with an average return of -1 percent and a standard deviation of 5.5 percent. The Sharpe ratio in the SVM model was significantly higher, indicating the higher efficiency of this model in managing stock portfolios.

کلیدواژه‌ها English

Stock portfolio optimization
support vector machine
CAPM model
Tehran Stock Exchange
return prediction
خنده خوش، مژگان؛ حقیقی نیت،رضا(1395)، در نظر گرفتن عوامل مؤثر در پیش‌بینی شاخص قیمت بورس تهران با بهبود الگوریتم بهینه‌سازی ملخ در انتخاب بهترین نمونه‌ها در مدل آموزش چندتایی شبکه عصبی، سومین کنفرانس بین المللی مدیریت، اقتصاد و حسابداری.
فرشیدورد، آیدا و هوشمندخلیق، فرناز و میرحسنی، سیدعلی،1400،رویکرد کارا مبتنی بر دسته بندی SVM و مدل تعادل ریسک برای تشکیل سبد سهام، چهاردهمین کنفرانس بین المللی انجمن ایرانی تحقیق در عملیات،مشهد،https://civilica.com/doc/1365965
میرعلوی، سیدحسین؛ پرزمانی، زهرا. مدلی جهت پیش بینی قیمت سهام با استفاده از روش های فرا ابتکاری و شبکه های عصبی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 1398، شماره 40.
یزدانی خداشهری, محمدباقر, نسل موسوی, سید حسین, & حسینی شیروانی, میر سعید. (1402). انتخاب بهینه سبدسهام با استفاده از الگوریتم های یادگیری ماشین. دانش سرمایه‌گذاری, 12(48), 511-538.
Avery, C.N.; Chevalier, J.A.; Zeckhauser, R.J. The CAPS prediction system and stock market returns. Rev. Financ. 2016, 20, 1363–1381.
Basak, S.; Kar, S.; Saha, S.; Khaidem, L.; Dey, S.R. Predicting the direction of stock market prices using tree-based classifiers. N. Am. J. Econ. Financ. 2019, 47, 552–567.
Brownlees C, Gallo G. Financial econometric analysis at ultra-high frequency: data handling concerns. Comput Stat Data Anal. 2006;51(4):2232e2245.
Chandar, S.K. Stock market prediction using subtractive clustering for a neuro fuzzy hybrid approach. Clust. Comput. 2017, 22, 13159–13166
Chen, W., Zhang, H., Mehlawat, M.K., Jia, L., 2021. Mean–variance portfolio optimization using machine learning-based stock price prediction. Appl. Soft Comput. 100, 106943.
Di Persio, L.; Honchar, O. Recurrent neural networks approach to the financial forecast of Google assets. Int. J. Math. Comput. Simul. 2017, 11, 7–13
Durap, A. A comparative analysis of machine learning algorithms for predicting wave runup. Anthropocene Coasts 6, 17 (2023). https://doi.org/10.1007/s44218-023-00033-7
Ganser, A.; Hollaus, B.; Stabinger, S. Classification of Tennis Shots with a Neural Network Approach. Sensors 2021, 21, 5703.
Hota, H.S.; Handa, R.; Shrivas, A.K. Time Series Data Prediction Using Sliding Window Based RBF Neural Network. Int. J. Comput. Intell. Res. 2017, 13, 1145–1156.
Hushani, P. Using Autoregressive Modelling and Machine Learning for Stock Market Prediction and Trading. In Third International Congress on Information and Communication Technology; Springer: Singapore, 2018; pp. 767–774.
Jalota, Hemant & Mandal, Pawan & Thakur, Manoj & Mittal, Garima. (2022). A novel approach to incorporate investor’s preference in fuzzy multi-objective portfolio selection problem using credibility measure. Expert Systems with Applications. 212. 118583. 10.1016/j.eswa.2022.118583.
Khashei, M.; Hajirahimi, Z. Performance evaluation of series and parallel strategies for financial time series forecasting. Financ. Innov. 2017, 3, 24.
Melo, Maisa & Cardoso, Rodrigo & Jesus, Tales. (2022). Multiobjective Model Predictive Control for portfolio optimization with cardinality constraint. Expert Systems with Applications. 205. 117639. 10.1016/j.eswa.2022.117639.
Nguyen, D.H.D.; Tran, L.P.; Nguyen, V. Predicting Stock Prices Using Dynamic LSTM Models. Int. Conf. Appl. Inform. 2019, 6, 199–212.
Obthong, Mehtabhorn, Nongnuch Tantisantiwong, Watthanasak Jeamwatthanachai, and Gary Wills. 2020. A Survey on Machine Learning for Stock Price Prediction: Algorithms and Techniques. Paper presented at 2nd International Conference on Finance, Economics, Management and IT Business, Prague, Czech Republic, May 5–6.
Pagliaro, Antonio. 2023. "Forecasting Significant Stock Market Price Changes Using Machine Learning: Extra Trees Classifier Leads" Electronics 12, no. 21: 4551. https://doi.org/10.3390/electronics12214551 
Paiva, F.D., Cardoso, R.T.N., Hanaoka, G.P., Duarte, W.M., 2019. Decision-making for financial trading: A fusion approach of machine learning and portfolio selection. Expert Syst. Appl. 115, 635–655.
Rajab, S.; Sharma, V. An interpretable neuro-fuzzy approach to stock price forecasting. Soft Comput. 2019, 23, 921–936.
Rouf, Nusrat, Majid Bashir Malik, Tasleem Arif, Sparsh Sharma, Saurabh Singh, Satyabrata Aich, and Hee-Cheol Kim. 2021. "Stock Market Prediction Using Machine Learning Techniques: A Decade Survey on Methodologies, Recent Developments, and Future Directions" Electronics 10, no. 21: 2717.
Sharma, S.; Ahmed, S.; Naseem, M.; Alnumay, W.S.; Singh, S.; Cho, G.H. A Survey on Applications of Artificial Intelligence for Pre-Parametric Project Cost and Soil Shear-Strength Estimation in Construction and Geotechnical Engineering. Sensors 2021, 21, 463.
Strader, T.J.; Rozycki, J.J.; Root, T.H.; Huang, Y.H.J. Machine Learning Stock Market Prediction Studies: Review and Research Directions. J. Int. Technol. Inf. Manag. 2020, 28, 63–83. 
Wang, Xianhe & Ouyang, Yuliang & Li, You & Liu, Shu & Teng, Long & Wang, Bo. (2023). Multi-objective portfolio selection considering expected and total utility. Finance Research Letters. 58. 104552. 10.1016/j.frl.2023.104552.
Wang, Y., Zhang, H., Zhang, G., 2019. cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural networks. Swarm Evol. Comput. 49, 114–123
Wu, H.; Liu, Y.; Wang, J. Review of Text Classification Methods on Deep Learning. Comput. Mater. Contin. 2020, 63, 1309–1321.
Zhang, J.; Teng, Y.-F.; Chen, W. Support vector regression with modified firefly algorithm for stock price forecasting. Appl. Intell. 2018, 49, 1658–1674.
خنده خوش، مژگان؛ حقیقی نیت،رضا(1395)، در نظر گرفتن عوامل مؤثر در پیش‌بینی شاخص قیمت بورس تهران با بهبود الگوریتم بهینه‌سازی ملخ در انتخاب بهترین نمونه‌ها در مدل آموزش چندتایی شبکه عصبی، سومین کنفرانس بین المللی مدیریت، اقتصاد و حسابداری.
فرشیدورد، آیدا و هوشمندخلیق، فرناز و میرحسنی، سیدعلی،1400،رویکرد کارا مبتنی بر دسته بندی SVM و مدل تعادل ریسک برای تشکیل سبد سهام، چهاردهمین کنفرانس بین المللی انجمن ایرانی تحقیق در عملیات،مشهد،https://civilica.com/doc/1365965
میرعلوی، سیدحسین؛ پرزمانی، زهرا. مدلی جهت پیش بینی قیمت سهام با استفاده از روش های فرا ابتکاری و شبکه های عصبی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 1398، شماره 40.
یزدانی خداشهری, محمدباقر, نسل موسوی, سید حسین, & حسینی شیروانی, میر سعید. (1402). انتخاب بهینه سبدسهام با استفاده از الگوریتم های یادگیری ماشین. دانش سرمایه‌گذاری, 12(48), 511-538.
Avery, C.N.; Chevalier, J.A.; Zeckhauser, R.J. The CAPS prediction system and stock market returns. Rev. Financ. 2016, 20, 1363–1381.
Basak, S.; Kar, S.; Saha, S.; Khaidem, L.; Dey, S.R. Predicting the direction of stock market prices using tree-based classifiers. N. Am. J. Econ. Financ. 2019, 47, 552–567.
Brownlees C, Gallo G. Financial econometric analysis at ultra-high frequency: data handling concerns. Comput Stat Data Anal. 2006;51(4):2232e2245.
Chandar, S.K. Stock market prediction using subtractive clustering for a neuro fuzzy hybrid approach. Clust. Comput. 2017, 22, 13159–13166
Chen, W., Zhang, H., Mehlawat, M.K., Jia, L., 2021. Mean–variance portfolio optimization using machine learning-based stock price prediction. Appl. Soft Comput. 100, 106943.
Di Persio, L.; Honchar, O. Recurrent neural networks approach to the financial forecast of Google assets. Int. J. Math. Comput. Simul. 2017, 11, 7–13
Durap, A. A comparative analysis of machine learning algorithms for predicting wave runup. Anthropocene Coasts 6, 17 (2023). https://doi.org/10.1007/s44218-023-00033-7
Ganser, A.; Hollaus, B.; Stabinger, S. Classification of Tennis Shots with a Neural Network Approach. Sensors 2021, 21, 5703.
Hota, H.S.; Handa, R.; Shrivas, A.K. Time Series Data Prediction Using Sliding Window Based RBF Neural Network. Int. J. Comput. Intell. Res. 2017, 13, 1145–1156.
Hushani, P. Using Autoregressive Modelling and Machine Learning for Stock Market Prediction and Trading. In Third International Congress on Information and Communication Technology; Springer: Singapore, 2018; pp. 767–774.
Jalota, Hemant & Mandal, Pawan & Thakur, Manoj & Mittal, Garima. (2022). A novel approach to incorporate investor’s preference in fuzzy multi-objective portfolio selection problem using credibility measure. Expert Systems with Applications. 212. 118583. 10.1016/j.eswa.2022.118583.
Khashei, M.; Hajirahimi, Z. Performance evaluation of series and parallel strategies for financial time series forecasting. Financ. Innov. 2017, 3, 24.
Melo, Maisa & Cardoso, Rodrigo & Jesus, Tales. (2022). Multiobjective Model Predictive Control for portfolio optimization with cardinality constraint. Expert Systems with Applications. 205. 117639. 10.1016/j.eswa.2022.117639.
Nguyen, D.H.D.; Tran, L.P.; Nguyen, V. Predicting Stock Prices Using Dynamic LSTM Models. Int. Conf. Appl. Inform. 2019, 6, 199–212.
Obthong, Mehtabhorn, Nongnuch Tantisantiwong, Watthanasak Jeamwatthanachai, and Gary Wills. 2020. A Survey on Machine Learning for Stock Price Prediction: Algorithms and Techniques. Paper presented at 2nd International Conference on Finance, Economics, Management and IT Business, Prague, Czech Republic, May 5–6.
Pagliaro, Antonio. 2023. "Forecasting Significant Stock Market Price Changes Using Machine Learning: Extra Trees Classifier Leads" Electronics 12, no. 21: 4551. https://doi.org/10.3390/electronics12214551 
Paiva, F.D., Cardoso, R.T.N., Hanaoka, G.P., Duarte, W.M., 2019. Decision-making for financial trading: A fusion approach of machine learning and portfolio selection. Expert Syst. Appl. 115, 635–655.
Rajab, S.; Sharma, V. An interpretable neuro-fuzzy approach to stock price forecasting. Soft Comput. 2019, 23, 921–936.
Rouf, Nusrat, Majid Bashir Malik, Tasleem Arif, Sparsh Sharma, Saurabh Singh, Satyabrata Aich, and Hee-Cheol Kim. 2021. "Stock Market Prediction Using Machine Learning Techniques: A Decade Survey on Methodologies, Recent Developments, and Future Directions" Electronics 10, no. 21: 2717.
Sharma, S.; Ahmed, S.; Naseem, M.; Alnumay, W.S.; Singh, S.; Cho, G.H. A Survey on Applications of Artificial Intelligence for Pre-Parametric Project Cost and Soil Shear-Strength Estimation in Construction and Geotechnical Engineering. Sensors 2021, 21, 463.
Strader, T.J.; Rozycki, J.J.; Root, T.H.; Huang, Y.H.J. Machine Learning Stock Market Prediction Studies: Review and Research Directions. J. Int. Technol. Inf. Manag. 2020, 28, 63–83. 
Wang, Xianhe & Ouyang, Yuliang & Li, You & Liu, Shu & Teng, Long & Wang, Bo. (2023). Multi-objective portfolio selection considering expected and total utility. Finance Research Letters. 58. 104552. 10.1016/j.frl.2023.104552.
Wang, Y., Zhang, H., Zhang, G., 2019. cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural networks. Swarm Evol. Comput. 49, 114–123
Wu, H.; Liu, Y.; Wang, J. Review of Text Classification Methods on Deep Learning. Comput. Mater. Contin. 2020, 63, 1309–1321.
Zhang, J.; Teng, Y.-F.; Chen, W. Support vector regression with modified firefly algorithm for stock price forecasting. Appl. Intell. 2018, 49, 1658–1674.