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.
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
خلاصه ماشینی:
لذا براي افزايش دقت در بهينه سازي و انتخاب کارآمدترين سبد سهام در اين پژوهش با به کارگيري فرآيند تحليل سلسله مراتبي بهبود يافته ٦ (IAHP) به انتخاب صنايع برتر با استفاده از نرم افزار Matlab پرداخته و سپس به کمک نرم افزار Anaconda در محيط Jupyter Notebook به زبان برنامه نويسي Python و کتابخانه هاي آن از جمله Pandas،Numpy ، Matplotlib،Scikit-Learn و کتابخانه قدرتمند Keras که بر روي کتابخانه TensorFlow 1Mine Variance Portfolio Optimization 2Cardinality 3Bound Constraints 4Cardinality Constraint Mean-Variance (CCMV) 5Non-deterministic Polynomial-time Hard 6Improved Analytic Hierarchy Process سوار است و از مدل حافظه کوتاه مدت ماندگار ١ (LSTM) براي پيش بيني قيمت سهام استفاده ميکند، به پيش بيني قيمت سهام صنايع منتخب در بازه هاي زماني مشخص شده ميپردازيم .
در گام سوم به انتخاب سهام شرکت هاي فعال در صنايع برتر از گام يک با استفاده از روش تصميم گيري راه حل سازشي ترکيبي ٢ (CoCoSo) پرداخته و پس از آن براساس مدل دارايي محدود مارکويتز ٣ (LAM) با استفاده از روش برنامه ريزي غيرخطي عدد صحيح مختلط ٤(MIQP) با الگوريتم شاخه و برش ٥ و حل آن با نرم افزار CPLEX، اوزان بهينه مشخص و مرز کاراي سرمايه گذاري را در سه افق زماني کوتاه مدت ، ميان مدت و بلند مدت رسم مينماييم .
مراحل انجام پژوهش پژوهش حاضر در رابطه با ارائه مدل ترکيبي بهينه سازي سبد سهام براساس پيش بيني قيمت با شبکه عصبي بازگشتي LSTM به کمک مدل LAM با درنظرگرفتن محدوديت هاي کارديناليتي و روش هاي تصميم گيري چندمعياره ، در چهار بخش انجام ميشود: بخش اول : انتخاب ده صنعت برتر از ميان صنايع فعال در بورس اوراق بهادار تهران با استفاده از فرآيند تحليل سلسله مراتبي بهبوديافته .